Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Un modèle de fondation basé sur une image naturelle ultra-large est-il supérieur à un modèle spécifique à la rétine pour détecter les maladies oculaires et systémiques ?
Created by
Haebom
Auteur
Qingshan Hou, Yukun Zhou, Jocelyn Hui Lin Goh, Ke Zou, Samantha Min Er Yew, Sahana Srinivasan, Meng Wang, Thaddaeus Lo, Xiaofeng Lei, Siegfried K. Wagner, Mark A. Chia, Dawei Yang, Hongyang Jiang, An Ran Ran, Rui Santos, Gabor Mark Somfai, Juan Helen Zhou, Haoyu Chen, Qingyu Chen, Carol Y. Cheung, Pearse A. Keane, Yih Chung Tham
Contour
Cet article présente les résultats d'une étude sur l'application des modèles fondamentaux (MF) dans le domaine médical, notamment en ophtalmologie. Nous avons comparé et évalué RETFound, un MF spécifique à la rétine, et DINOv2, un MF de vision à usage général, pour diverses tâches de détection de maladies ophtalmiques et de prédiction de maladies systémiques. Après ajustement, nous avons comparé les performances à l'aide de huit bases de données ophtalmologiques accessibles au public, des bases de données Moorfields AlzEye et UK Biobank. DINOv2 a surpassé la rétinopathie diabétique et la détection de multiples maladies ophtalmiques, tandis que RETFound a surpassé la prédiction de l'insuffisance cardiaque, de l'infarctus du myocarde et de l'accident vasculaire cérébral ischémique. Cela souligne l'importance de choisir le MF le plus adapté à une tâche donnée.
Takeaways, Limitations
•
Takeaways:
◦
Nous avons identifié les forces relatives de la FM à usage général (DINOv2) et de la FM spécifique à un domaine (RETFound).
◦
L’adéquation de chaque FM pour diagnostiquer des maladies ophtalmiques spécifiques et prédire des maladies systémiques a été présentée.
◦
Cela suggère que la sélection de FM adaptés aux caractéristiques de la tâche est importante pour optimiser les performances cliniques.
•
Limitations:
◦
Limitations de généralisabilité dues aux limites de l’ensemble de données utilisé dans l’étude.
◦
Des recherches supplémentaires sont nécessaires sur d’autres types de FM ou sur des défis plus cliniques.
◦
Bien que les différences de performance pour certaines pathologies puissent être subtiles, elles peuvent être statistiquement significatives. Des analyses plus approfondies sont nécessaires pour déterminer l'utilité clinique.
