← 返回首頁

讓兩種眼底影像相互補足:RETBind在九組眼科AI基準測試提升表現

把同一位患者的斷層與超廣角眼底影像配對學習,RETBind嘗試讓AI讀懂互補的視網膜線索。九組資料集的結果支持這條研究路徑,但距離證明診間效益,還有臨床驗證要走。

By SURL BioNews

同一雙眼睛,不同檢查會呈現不同線索。光學同調斷層掃描(OCT)顯示視網膜的分層結構,超廣角眼底攝影則提供較廣的眼底視野。如何讓人工智慧把這些資訊連在一起,是眼科影像研究的一道課題;新模型RETBind選擇從同一位患者的兩種影像之間,學習彼此的關聯。

這項研究於11月3日刊登在《npj Digital Medicine》,由韓國成均館大學與眼科醫療機構等團隊參與。成均館大學資料科學與人工智慧實驗室已在10月公告同名論文獲接受,並列出Jian、Hyunseon、JeeEun與Sihyeon等參與研究者;該公告確認研究進程,並未提供額外的臨床驗證結果。

RETBind是一種可供後續影像任務使用的基礎模型。研究以患者層級配對的OCT與超廣角眼底影像進行預訓練,讓兩種影像共用一套編碼器,將影像轉換為可供模型辨識的特徵。這項設計的重點,是把不同檢查所見的互補資訊納入共同學習,而非僅各自處理單一影像類型。

研究團隊報告,RETBind在涵蓋眼疾分類與影像分割的九組基準資料集中,表現均有改善。分類任務著重辨識疾病類別,分割任務則要求模型在影像中標出特定區域。作者尤其指出,在不同類別樣本數不均衡的情境下,模型的精確率—召回率曲線下面積(AUPR)有所提升;這有助於評估少數類別的辨識表現,卻不能直接換算為診間減少多少漏診。

九組基準測試提供了模型可用於不同任務的證據,仍未建立前瞻性的臨床效益。走向實際診療前,還須確認模型在不同醫院、設備與患者族群中的可靠程度,以及加入醫師判讀流程後,是否改善診斷、轉診或後續處置。現有結果也不足以據此認定模型已具備獨立診斷用途。

論文另以探索性分析檢視從視網膜影像預測全身性疾病的可能性,這部分應視為後續研究線索。RETBind目前較明確的貢獻,是為整合同一患者的多種眼科影像提供一條可驗證的技術路徑;能否把測試成績轉化為患者受益,仍須在真實照護流程中回答。

References

  1. npj Digital Medicine
  2. Data Science and Artificial Intelligence Lab, Sungkyunkwan University