跳转到主要内容

#可解释AI

2 篇

与"可解释AI"相关的眼科资讯

学术研究

血管引导多任务深度学习模型同步分割血管并分类眼底病

研究团队开发了V-MNet模型，首次将视网膜血管分割与多种眼底病分类整合于同一深度学习框架，并引入血管结构先验信息指导疾病分类。该模型在四个公开数据集上测试，血管分割Dice系数达0.831，多病种分类平均AUC为0.978、F1分数为0.935，显著优于单任务模型。Grad-CAM模块提供可视化病灶定位图，增强临床可解释性。

#人工智能#眼底筛查#可解释AI
PubMed Ophthalmology
学术研究

眼科AI热图临床可信度评估框架

研究提出两阶段临床导向框架，筛选适用于OCT视网膜疾病分类的可解释AI热图。基于Swin Transformer模型，在交叉验证中达97%准确率，外部验证为91.82%。Phase 1由1名眼科医生和1名AI专家初筛100张热图/方法；Phase 2由21名专科医生用五点量表评估解剖合理性。Token contRAST（TRAST）热图评分最高，Grad-CAM++次之，CGFM最低。

#AI医疗#OCT#可解释AI
PubMed Ophthalmology