Screening of Diabetic Retinopathy
Projekt der anvender deep learning (fully convolutional networks) til automatisk graduering af nethindebilleder og detektion af diabetisk retinopati — trænet på over 35.000 nethindebilleder fra OUH.
Beskrivelse af systemet
Projektet udvikler et deep learning-baseret system til automatisk screening og graduering af diabetisk retinopati via analyse af nethindebilleder. Systemet er forankret på Øjenafdelingen og Steno Diabetes Center Odense på OUH i samarbejde med Maersk Mc-Kinney Moller Instituttet og Klinisk Institut ved SDU. Et fully convolutional network (FCN) trænes til at genkende karakteristiske DR-læsioner og valideres på billedundersæt med henblik på automatisk DR-graduering.
Projektet løber fra oktober 2017 til september 2028 og er finansieret via PhD-stipendier fra Steno Diabetes Center Odense og det norske Helse Sør-Øst.
Systemet anvender deep learning via fully convolutional networks (FCN) til automatisk at analysere nethindebilleder og identificere og graduere læsioner forbundet med diabetisk retinopati. FCN-arkitekturen muliggør præcis billedsegmentering og lokalisering af læsioner.
Modellen er trænet og valideret på over 35.000 nethindebilleder fra OUHs arkiv. Der er ikke fundet yderligere oplysninger om datasættets sammensætning.
Der er ikke fundet oplysninger om konkrete sikkerhedsforanstaltninger i de tilgængelige kilder.
Projektet er i sig selv et langvarigt forsknings- og udviklingsprojekt (2017-2028). Der er ikke fundet oplysninger om forudgående pilotprojekter.
Diabetisk retinopati er en hyppig årsag til synsnedsættelse og blindhed. Tidlig detektion via regelmæssig screening er afgørende. Automatisk AI-screening kan skalere og effektivisere screeningsprogrammet og reducere arbejdsbyrden for øjenlæger.
ALIVE (PROJ-022), AICE (PROJ-024), PEACE (PROJ-027): Beslægtede projekter der anvender deep learning/maskinlæring til billedanalyse i diagnostisk øjemed. EUCanScreen (PROJ-021): EU-projekt der integrerer AI i screeningsprogrammer på europæisk plan.
Validering på tværs af etniske grupper og kameratyper er centrale spørgsmål, da nethindebilleders udseende varierer. Projektets lange tidshorisont (2017-2028) kræver løbende opdatering og revalidering af modellen.
