Automated identification of fleck lesions in Stargardt disease using deep learning enhances lesion detection sensitivity and enables morphometric analysis of flecks
Notice bibliographique
Résumé
Purpose To classify fleck lesions and assess artificial intelligence (AI) in identifying flecks in Stargardt disease (STGD). Methods A retrospective study of 170 eyes from 85 consecutive patients with confirmed STGD. Fundus autofluorescence images were extracted, and flecks were manually outlined. A deep learning model was trained, and a hold-out testing subset was used to compare with manually identified flecks and for graders to assess. Flecks were clustered using K-means clustering. Results Of the 85 subjects, 45 were female, and the median age was 37 years (IQR 25–59). A subset of subjects (n=41) had clearly identifiable fleck lesions, and an AI was successfully trained to identify these lesions (average Dice score of 0.53, n=18). The AI segmentation had smaller (0.018 compared with 0.034 mm 2 , p<0.001) but more numerous flecks (75.5 per retina compared with 40.0, p<0.001), but the total size of flecks was not different. The AI model had higher sensitivity to detect flecks but resulted in more false positives. There were two clusters of flecks based on morphology: broadly, one cluster of small round flecks and another of large amorphous flecks. The per cent frequency of small round flecks negatively correlated with subject age (r=−0.31, p<0.005). Conclusions AI-based detection of flecks shows greater sensitivity than human graders but with a higher false-positive rate. With further optimisation to address current shortcomings, this approach could be used to prescreen subjects for clinical research. The feasibility and utility of quantifying fleck morphology in conjunction with AI-based segmentation as a biomarker of progression require further study.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».