评估在有限数据和含噪标签下用于OCT图像分类的深度学习模型

将深度学习用于OCT图像分类有望提升视网膜疾病的诊断和监测。然而，视网膜异常的多样性、OCT图像中的噪声和伪影等挑战限制了其临床应用。本研究旨在评估在数据稀缺和标签噪声条件下，多种深度学习（DL）架构在基于OCT图像区分视网膜病变与健康病例方面的性能。我们评估了五种DL架构：ResNet18、ResNet34、ResNet50、VGG16和InceptionV3。我们在5526张OCT图像以及缩减至21张图像的子集上对预训练模型进行了微调，以评估其在数据匮乏条件下的表现。同时评估了在标签噪声水平分别为10%、15%和20%的子集上微调的模型性能。当训练集包含345张或更多图像时，所有DL架构均实现了较高的分类准确率（> 90%）。在完整训练集上训练时，InceptionV3获得了最高的分类准确率（99%）。然而，随着样本量的减少，分类准确率下降且变异性增加。标签噪声显著影响了模型的准确性。为了弥补10%、15%和20%的标注错误，训练集中分别需要大约4倍、9倍和14倍的图像量，才能达到345张正确标注图像的性能水平。结果表明，在包含345张或更多OCT图像的数据集上微调的DL模型能够准确区分视网膜病变与健康对照。我们的研究结果强调，尽管错误标注会显著影响OCT分析中的分类性能，但通过增加训练样本量可以有效缓解这一问题。通过解决数据稀缺和标注错误问题，本研究旨在提高视网膜疾病管理的实际应用价值和准确性。