AI突破医学影像：研究人员揭示用于视网膜诊断的多阶段分类网络

在AI驱动的医学诊断领域取得重大进展，摩根州立大学的领先研究员奥卢瓦图尼米塞·奥拉莫吉巴·阿金尼伊（Oluwatunmise Olamojiba Akinniyi, AIEtm）揭示了一种创新的多阶段分类网络，该网络通过光学相干断层扫描（OCT）成像技术增强了视网膜疾病的诊断。在与AI专家和医学研究人员的互动会议上，她详细介绍了这项技术如何提高诊断准确性和早期疾病检测能力，有望彻底改变眼科和精准医疗。

她的研究集成了多尺度特征集成架构，展示了在分类视网膜疾病如糖尿病黄斑水肿（DME）、脉络膜新生血管（CNV）、老年性黄斑变性（AMD）和玻璃膜疣方面的卓越准确性。该创新系统采用了一个尺度自适应神经网络，能够处理多种分辨率的图像，捕捉全局诊断特征和精细的局部细节。

该框架的核心是一个由DenseNet驱动的金字塔架构，提取深层次的多尺度特征以提高分类准确性。在两个公开可用的OCT数据集上的评估显示了卓越的性能，系统在二分类任务中达到了97.78%的准确率，在三分类任务中达到了96.83%的准确率，在四分类任务中达到了94.26%的准确率。更令人印象深刻的是，在第二个数据集上的结果达到了99.69%的整体准确率，敏感度为99.71%，特异性为99.87%。

正在摩根州立大学攻读计算机与电气系统工程博士学位的阿金尼伊强调，她提出的网络模仿了人类感知过程——首先识别一般异常，然后分类具体的视网膜状况。

“通过利用多尺度适应和集成学习，系统不仅提高了诊断精度，还促进了早期疾病检测，这对及时进行医疗干预至关重要。”她解释道。

她的研究得到了美国工程教育协会的“CyBR-MSI: IRR”子奖项资助以及摩根州立大学的公平人工智能和机器学习系统中心（CEAMLS）的支持。

尽管表现优异，阿金尼伊指出仍需继续改进。未来的改进方向包括在更多样化的视网膜数据集上进行测试，并整合视觉变换器以进一步增强特征提取和诊断准确性。

扩展AI在医学影像和计算机辅助诊断中的作用

除了视网膜成像外，阿金尼伊的前沿研究还涵盖了多个医学领域，结合先进的信号处理技术来应对大脑、肺部和前列腺相关疾病。她在RNA原位杂交图像处理方面的工作已经改变了数据预处理、验证和图像分割，为更精确的生物和疾病分析铺平了道路。

她还在脑肿瘤、前列腺癌和乳腺癌的AI驱动诊断方面领导了突破性研究。她的研究利用深度学习模型解决健康不平等问题，确保更加公平和准确的医疗决策。

阿金尼伊在机器学习、深度学习和生物医学图像分析方面的专长使她成为AI驱动医学诊断领域的关键创新者，她的研究成果在包括IEEE国际图像处理会议（ICIP）在内的主要科学会议上获得了关注。

她的贡献突显了AI驱动医学影像的变革潜力，为全球更公平和有效的医疗解决方案铺平了道路。

连接AI、数据科学与现实世界的影响

阿金尼伊对数据科学的承诺不仅限于医学成像，还包括跨多个学科的AI驱动解决方案。她在RNA原位杂交图像处理项目中显著改善了数据验证、分割和生物分析，强化了计算生物学中AI的重要性。

此外，她之前在CFAO Yamaha Motor Nigeria Limited担任人力资源/业务数据分析员的经验展示了她在跨行业应用数据分析和系统优化技术的能力。在这个角色中，她使用Python、Tableau和高级Excel来分析人力资源、市场营销、销售和采购数据，生成有助于提升业务绩效的可行见解。

这种在AI、机器学习和数据分析方面的坚实基础使阿金尼伊能够将复杂数据转化为实际的现实世界解决方案。通过将相同的统计严谨性和计算效率应用于医学成像，她继续推动突破性的创新，提高诊断准确性和公平的医疗可及性。

“AI在医学成像不仅仅是自动化——它是关于精度、可访问性和公平的医疗保健，”阿金尼伊解释说。“通过将AI与先进的医学研究相结合，我们不仅提高了诊断准确性，还使医疗保健变得更加普及。”

她的工作继续影响全球AI医疗研究，巩固了她在AI驱动诊断和精准医疗领域的先驱地位。

(全文结束)