一个深度学习算法来预测在光谱域光学一致性断层扫描上短期进展到地理缩
Eliot R Dow1, Hyeon Ki Jeong2, Ella Arnon Katz1
1Department of Ophthalmology, Duke University Medical Center, Durham, North Carolina.
JAMA ophthalmology
|October 19, 2023
概括
深度学习算法DeepGAze使用光谱域光学连贯性断层扫描 (SD-OCT) 精确预测一年内从中期与年龄相关的黄斑变性 (iAMD) 到地理缩 (GA) 的进展,帮助临床试验.
科学领域:
- 眼科和人工智能的人工智能
- 医学成像分析 医学成像分析
- 视网膜疾病的进展
背景情况:
- 鉴定患有中期与年龄有关的黄斑变性 (iAMD) 地理缩 (GA) 进展风险的患者对于开发预防性临床试验至关重要.
- 目前用于预测GA进展的方法可以改进,以获得更高的准确性和效率.
研究的目的:
- 开发和验证一个深度学习算法DeepGAze,用于预测iAMD在一年内向GA的进展.
- 通过体积光谱域光学连贯性断层扫描 (SD-OCT) 来评估算法的性能.
主要方法:
- 一项回顾性队列研究使用了来自多个数据集的SD-OCT扫描 (AREDS2,临床护理).
- 在这些数据集上训练并验证了位置感知卷积神经网络.
- 使用包括AUROC,AUPRC,灵敏度和特异性在内的指标来评估性能.
主要成果:
- DeepGAze算法在预测GA进展方面表现出高准确度,主要数据集的AUROC为0.94,外部验证数据集的AUROC为0.94.
- 这种完全自动化的模型的性能与采用专家注释的功能的模型相比较.
- 模拟的临床试验招募显示,对于进展到GA的患者来说,显著的丰富.
结论:
- 完全自动化的DeepGAze算法在临床相关的时间框架内准确地预测iAMD到GA的进展.
- 这种预测能力可以显著提高GA预防临床试验的设计和效率.
- 该算法有可能指导有关患者监测和治疗开始的临床决策.
