[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

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.

InSight : outil de dépistage mobile basé sur l'IA pour la détection de multiples maladies oculaires à l'aide de la fusion multimodale

Created by
  • Haebom

Auteur

Ananya Raghu, Anisha Raghu, Alice S. Tang, Yannis M. Paulus, Tyson N. Kim, Tomiko T. Oskotsky

Contour

Dans cet article, nous présentons InSight, une application mobile basée sur l'IA pour le diagnostic précoce de cinq maladies ophtalmiques majeures (dégénérescence maculaire liée à l'âge, glaucome, rétinopathie diabétique, œdème maculaire diabétique et myopie pathologique) dont l'accessibilité est limitée dans les pays à revenu faible ou intermédiaire et les milieux défavorisés. InSight diagnostique les maladies en combinant les métadonnées des patients avec des images du fond d'œil et se compose d'un pipeline en trois étapes : évaluation de la qualité de l'image en temps réel, modèle de diagnostic de la maladie et modèle d'évaluation de la gravité de la rétinopathie diabétique. Ce modèle de diagnostic intègre trois innovations clés : une technique de fusion multimodale (MetaFusion) qui combine métadonnées et images, une méthode de pré-apprentissage utilisant des fonctions de perte d'apprentissage supervisées et auto-supervisées, et un modèle multitâche qui prédit simultanément les cinq maladies. Le modèle est formé et évalué à l'aide des ensembles de données BRSET (images capturées en laboratoire) et mBRSET (images capturées par smartphone), et présente une grande précision diagnostique dans diverses conditions d'image capturées à la fois dans des smartphones et dans des environnements de laboratoire.

Takeaways, Limitations

Takeaways:
Présentation de la possibilité de fournir une solution efficace basée sur l’IA pour le diagnostic précoce des maladies oculaires dans les zones à faible accès aux soins de santé, comme les pays à revenu faible et intermédiaire.
Haute précision diagnostique et création de modèles efficaces grâce à la technique de fusion multimodale (MetaFusion), à la méthode de pré-apprentissage et au modèle multitâche.
Il maintient une grande précision même dans les vidéos prises avec un smartphone, augmentant ainsi la possibilité d'une application réelle sur le terrain.
Obtenez une efficacité de calcul 5 fois supérieure par rapport à l'utilisation de 5 modèles individuels.
Limitations:
Manque d'informations sur la taille et la composition spécifiques des ensembles de données BRSET et mBRSET. Une validation plus approfondie du biais et de la généralisabilité des ensembles de données est nécessaire.
Des recherches supplémentaires sont nécessaires sur l’utilité et l’efficacité cliniques réelles au moyen d’essais cliniques.
Une analyse plus approfondie est nécessaire sur l’explicabilité et la fiabilité du modèle.
Une évaluation des performances généralisée à travers différentes races et groupes d’âge est nécessaire.
👍