OCTから派生した構造的バイオマーカーと臨床的特徴を使用して,持続的な糖尿病性黄斑腫の機械学習ベースの予測
Guangping Gao1, Yuxi Chen2, Xiaoliang Zhang1
1Department of Ophthalmology, The First Affiliated Hospital of Naval Medical University (Changhai Hospital), Naval Medical University, 168 Changhai Road, Yangpu District, Shanghai, China.
European journal of medical research
|February 21, 2026
まとめ
光学一貫性トモグラフィー (OCT) バイオマーカーと臨床データを統合した機械学習モデルは,抗VEGF療法後の持続性糖尿病性黄斑腫 (DME) を予測することができます. 主な予測因子には,糖尿病の持続時間,円型ゾーン/外界膜の障害,超反射的焦点などがあります.
科学分野:
- オフタルモロジック (眼科)
- メディカルイマージング (医学イメージング)
- 人工知能 (AI) とは,人工知能 (AI) のことです.
背景:
- 持続的な糖尿病性黄斑腫 (DME) は,糖尿病性網膜症における視力喪失の主な原因であり,しばしば抗VEGF治療に反応しない.
- 患者の約30~40%が標準的な抗VEGF治療に不十分な反応を示し,病気の負担が増加します.
- 高リスク患者の早期発見は,治療戦略の最適化と介入の最小化に不可欠です.
研究 の 目的:
- 持続的なDMEを予測するための機械学習モデルを開発し,比較する.
- オプティカルコヒーレンストモグラフィ (OCT) によるバイオマーカーと臨床特性を統合し,予測を向上させる.
- 抗VEGF療法後の持続的なDMEの主要な予測要因を特定する.
主な方法:
- 抗VEGF注射で治療されたDMEの339人の患者の遡及的分析.
- ベースラインの臨床データとOCTデータを用いて8つの予測モデル (ロジスティック回帰,LASSO,XGBoost,ランダムフォレスト,SVM) の構築と比較.
- AUC,精度,精度,リコール,F1スコア,デロングのテスト,DCA,SHAP値を用いてモデルのパフォーマンスの評価.
主要な成果:
- OCTのバイオマーカーと臨床的特徴を統合したマルチモダルのモデルは,単一モダルのモデルを上回った.
- サポートベクトルマシン (SVM),XGBoost,およびランダムフォレスト (RF) モデルは,高い予測精度 (AUC 0.865,0.819,0.812) を示しました.
- SHAP分析では,糖尿病の持続時間,円形ゾーン (EZ) /外部制限膜 (ELM) 障害,および超反射焦点 (HF) が重要な予測要因として特定されました.
結論:
- OCTのバイオマーカーと臨床データを統合した機械学習モデルは,持続性DMEの優れた予測精度を提供します.
- 糖尿病の持続時間,EZ/ELM障害,およびHFは,SHAP分析によって特定された主要な予測要因です.
- SVM,XGBoost,RFモデルは,持続性DMEにおける個別化された治療計画に希望を示しています.
