Сравнительный анализ архитектур глубокого обучения для выявления тироидной офтальмопатии с использованием фотографий лица

Введение

Тироидная офтальмопатия (TED) является аутоиммунным заболеванием, часто ассоциированным с дисфункцией щитовидной железы. Ранняя диагностика TED имеет важное значение для своевременного лечения и предотвращения осложнений. В данной статье рассматривается применение искусственного интеллекта (ИИ) для скрининга TED на основе фронтальных фотографий лица.

Цель

Сравнить две модели глубокого обучения — ResNet-50 и ResNet-101 — в задаче выявления TED с использованием фотографий лица и оценить их эффективность в клинических условиях.

Методы

В исследование включены 1601 фотография лиц. Из них 643 снимка пациентов с TED и 643 снимка здоровых людей использовались для обучения моделей ResNet. Дополнительно 81 фотография пациентов с TED и 74 здоровых субъектов составили валидационный набор данных, а 80 случаев TED и 80 здоровых людей — тестовый набор. Для клинических испытаний использовались данные 25 пациентов с TED и 25 здоровых людей, сравнивая результаты ИИ с оценками офтальмологов.

Результаты

В тестовом наборе ResNet-50 показал AUC 0.94, точность 0.88, чувствительность 0.64 и специфичность 0.92. ResNet-101 продемонстрировал AUC 0.93, точность 0.84, чувствительность 0.76 и специфичность 0.92. В клинических условиях ResNet-50 достиг AUC 0.82, точность 0.82, чувствительность 0.88 и специфичность 0.76, а ResNet-101 — AUC 0.91, точность 0.84, чувствительность 0.92 и специфичность 0.76. Статистически значимых различий между моделями не выявлено (p > 0.05).

Выводы

Обе модели ResNet-50 и ResNet-101 демонстрируют приемлемую точность, чувствительность и специфичность для скрининга TED на основе фотографий лица. Их применение может быть полезным в клинической практике для раннего выявления заболевания.

Термины и сокращения

• TED (Thyroid Eye Disease) — тироидная офтальмопатия.
• ResNet (Residual Neural Network) — остаточная нейронная сеть, архитектура глубокого обучения.
• AUC (Area Under the Curve) — площадь под ROC-кривой, показатель эффективности модели.
• ROC (Receiver Operating Characteristic) — рабочая характеристика приемника, график зависимости чувствительности от специфичности.