Diagnosis of Multiple Fundus Disorders Amidst a Scarcity of Medical Experts Via Self-supervised Machine Learning

要約

眼底疾患は世界中で視覚障害や失明の主な原因となっており、特に発展途上地域では眼科医不足によりタイムリーな診断が妨げられています。
AI 支援による眼底画像解析には、高精度、作業負荷の軽減、アクセシビリティの向上などのいくつかの利点がありますが、信頼性の高いモデルを構築するには、専門家による注釈付きの大量のデータが必要です。
このジレンマに対処するために、ラベルのない眼底画像から多様な眼底疾患を処理できる一般的な自己教師あり機械学習フレームワークを提案します。
私たちの手法の AUC は、既存の教師ありアプローチを 15.7% 上回っており、人間の専門家 1 人のパフォーマンスをも上回っています。
さらに、私たちのモデルは、さまざまな地域、人種、複数のカメラやデバイスからの異種画像ソースや品質からのさまざまなデータセットにうまく適応します。
私たちの方法は、眼底疾患を診断するためのラベルフリーの一般的な枠組みを提供し、視力喪失のリスクがある人々の早期スクリーニングのための遠隔医療プログラムに潜在的に利益をもたらす可能性があります。

要約(オリジナル)

Fundus diseases are major causes of visual impairment and blindness worldwide, especially in underdeveloped regions, where the shortage of ophthalmologists hinders timely diagnosis. AI-assisted fundus image analysis has several advantages, such as high accuracy, reduced workload, and improved accessibility, but it requires a large amount of expert-annotated data to build reliable models. To address this dilemma, we propose a general self-supervised machine learning framework that can handle diverse fundus diseases from unlabeled fundus images. Our method’s AUC surpasses existing supervised approaches by 15.7%, and even exceeds performance of a single human expert. Furthermore, our model adapts well to various datasets from different regions, races, and heterogeneous image sources or qualities from multiple cameras or devices. Our method offers a label-free general framework to diagnose fundus diseases, which could potentially benefit telehealth programs for early screening of people at risk of vision loss.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google