MMAC 2023 中近视黄斑病的自动检测：分类、分割和球面等效预测的成果
内容提要
该文综述深度学习在眼科疾病诊断中的应用，涵盖年龄相关黄斑变性分级、病理性近视识别、近视进展预测、糖尿病视网膜病变分割与分级、青光眼检测等；采用多任务学习、卷积神经网络、迁移学习、半监督学习等方法，在多个公开数据集上性能优于现有模型，并发布哈佛青光眼检测与进展数据集，推动AI眼科诊断发展。
延伸解读
多任务学习在AMD分级中的优势
文章指出，针对年龄相关黄斑变性的深度学习模型通过多任务学习技术，将基于图像的AMD严重程度分级自动分类，在两个图像数据集上的评估中表现优于当前最先进模型超过10%。这表明多任务学习能有效提升AMD分级的准确性，为临床诊断提供更可靠的辅助工具。
糖尿病视网膜病变分割与分类的联合方法
研究提出Lesion-Net网络，结合像素级视网膜病变分割和图像级疾病分类，解决了糖尿病性视网膜病变分级中病变边界模糊、临床重要性与大小无关、病变与类别缺乏一对一对应等挑战。在包含12K张眼底图像和8种病变的数据集上，该方法在分割、分类和分级任务上均优于现有方法。
半监督学习与哈佛青光眼数据集的贡献
针对OCT 3D视网膜成像标记数据有限的问题，研究开发了伪监督器半监督学习模型，在青光眼检测和进展预测任务上优于现有SSL模型。同时发布了哈佛青光眼检测和进展数据集，包含1000例患者的OCT数据及标签，是最大的3D OCT青光眼检测数据集和首个公开的青光眼进展预测数据集，并提供性别和种族分析以支持公平学习研究。
Q&A
深度学习在年龄相关黄斑变性（AMD）分级上能达到什么效果？
通过多任务学习技术，基于图像的AMD严重程度分级自动分类模型在两个图像数据集上的评估中表现优于当前最先进模型超过10%。
PALM数据集是做什么用的？
PALM是一个开放式眼底图像数据集，提供与病理性近视相关的结构注释，用于该病的早期筛查以及基于人工智能的自动化诊断工具的开发。
如何用深度学习预测近视进展？
使用时间感知的长短期记忆网络，通过历史记录来定量预测成年人的球面等效度，从而更好地识别近视的进展。
Lesion-Net在糖尿病视网膜病变分级中解决了哪些问题？
Lesion-Net通过像素级视网膜病变分割和图像级疾病分类相结合，解决了糖尿病性视网膜病变分级的三大挑战：缺乏客观边界的病变、病变的临床重要性与其大小无关、病变和疾病类别之间缺乏一对一的对应关系。
GARDNet在青光眼检测中的表现如何？
GARDNet在Rotterdam EyePACS AIROGS数据集上AUC为0.92，在RIM-ONE DL数据集上AUC为0.9308，表现优于现有技术。
哈佛青光眼数据集包含哪些内容？
哈佛青光眼检测和进展（Harvard-GDP）数据集是一个多模态多任务数据集，包括来自1,000例患者的OCT成像数据，以及青光眼检测和进展的标签。这是拥有3D OCT成像数据的最大青光眼检测数据集，也是公开可用的第一个青光眼进展预测数据集。
