黄斑视网膜质细胞层作为多发性硬化症诊断和预后的生物标志物:一种深度学习方法
Alberto Montolío1,2, José Cegoñino1,2, Elena Garcia-Martin3,4
1Biomaterials Group, Aragon Institute of Engineering Research (I3A), University of Zaragoza, Zaragoza, Spain.
Acta ophthalmologica
|June 10, 2023
概括
深度学习可以准确地识别多发性硬化症 (MS),并使用黄斑质细胞层 (mGCL) 厚度预测疾病进展. 这种非侵入性方法有助于诊断和预后,提供一种低成本,有效的方法.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 黄斑质细胞层 (mGCL) 是多发性硬化症 (MS) 中轴突损伤的关键指标.
- 准确的诊断和预后对于管理MS至关重要.
- 目前的诊断方法可能是侵入性的或昂贵的.
研究的目的:
- 为MS开发计算机辅助的诊断和预后工具.
- 作为生物标志物,利用黄斑结节细胞层 (mGCL) 厚度.
- 利用深度学习来加强多发性硬化症的评估.
主要方法:
- 一项对72名多发性硬化患者和30名对照人群进行的横截面研究,用于诊断.
- 对MS患者进行了一项为期10年的纵向研究,以预测残疾进展.
- 用于mGCL测量和深度神经网络进行分类的光学连贯性断层扫描 (OCT).
主要成果:
- 使用17个具有深度神经网络的特征,在MS诊断中获得了90.3%的准确性.
- 8年后使用类似的神经网络预测残疾进展,准确率为81.9%.
- 证明了深度学习在分析mGCL厚度数据中的有效性.
结论:
- 应用到临床和mGCL厚度数据上的深度学习可以有效地识别MS.
- 这种方法可以预测疾病的过程和残疾的进展.
- 该方法是非侵入性,低成本,易于实施的MS管理.
