无需编写代码的自动化机器学习方法，用于基于光学相干断层扫描（OCT）的玻璃体视网膜界面疾病分类

《International Journal of Retina and Vitreous》：Code-free automated machine learning for OCT-based classification of vitreoretinal interface diseases

　　

摘要

背景

在光学相干断层扫描（OCT）上区分玻璃体视网膜界面疾病需要专家的解读，在边界情况下可能会具有挑战性。自动化机器学习（AutoML）平台可以让临床医生在没有编码专业知识的情况下开发人工智能。本研究评估了一种无需编码的AutoML方法在OCT分类中的性能。

方法

在这项横断面图像分类研究中，从公开可用的数据集中选取了434张OCT B扫描图像，并手动将其分为四类：视网膜前膜（ERM）、层状黄斑孔（LMH）、全层黄斑孔（MH）和正常视网膜。这些图像被上传到一个基于云的AutoML平台（Google Cloud Vertex AI），该平台自动进行了数据分割（80%用于训练，10%用于验证，10%用于测试）、模型训练和优化。性能评估采用了精确度、召回率、平均精确度和混淆矩阵分析等方法。

结果

该模型的整体平均精确度为0.988，精确度和召回率均为97.6%。黄斑孔和正常视网膜的分类精确度和召回率均为100%。视网膜前膜的精确度很高（100%），但召回率略有下降（92.9%）；层状黄斑孔的召回率为100%，但精确度较低（83.3%）。误分类主要发生在解剖结构相关的实体之间。

结论

无需编码的AutoML方法能够利用临床医生主导的工作流程实现基于OCT的玻璃体视网膜界面疾病的准确分类。这种方法可能有助于推动人工智能在眼科领域的更广泛应用，并支持快速的临床研究原型开发。