Análisis basado en la textura de la dinámica corneal para la detección de la forma Fruste Keratoconus

Área de la Ciencia:

• Oftalmología Oftalmología.
• Imágenes médicas de imágenes médicas.
• La inteligencia artificial es inteligencia artificial.

Sus antecedentes:

• Forme fruste keratoconus (FFKC) es una forma subclínica del queratocono.
• La detección temprana de FFKC es crucial para prevenir la progresión de la enfermedad.
• Los métodos de diagnóstico convencionales a menudo no logran detectar cambios sutiles en el FFKC.

Objetivo del estudio:

• Para introducir CVS-omics, un nuevo marco de radiómica.
• Para utilizar las imágenes de Corvis ST (CVS) y el aprendizaje automático para la identificación de FFKC.
• Para mejorar la precisión del diagnóstico de FFKC más allá de las técnicas convencionales.

Principales métodos:

• Las características de la textura radiómica se extrajeron de las imágenes del CVS en tres fases de deformación.
• Los modelos de aprendizaje automático (Random Forest, C5.0, XGBoost) fueron entrenados y probados en 410 ojos (265 normales, 145 FFKC).
• El rendimiento diagnóstico se evaluó utilizando el análisis de ROC y se comparó con los parámetros tradicionales del CVS.

Principales resultados:

• El modelo CVS-omics Random Forest logró un alto rendimiento de diagnóstico (AUC = 0,989, precisión = 0,951).
• Este modelo superó significativamente los parámetros convencionales del CVS (mejor AUC = 0,764).
• Los modelos que utilizan características de múltiples fases de deformación demostraron una precisión superior.

Conclusiones:

• CVS-omics detecta eficazmente las alteraciones sutiles de la córnea indicativas de FFKC.
• Este enfoque radiómico ofrece una precisión superior en comparación con los parámetros biomecánicos convencionales.
• CVS-omics muestra potencial como una herramienta no invasiva para la detección e intervención temprana de FFKC.