一个人工智能启用系统用于视网膜神经纤维层厚度损伤严重程度分期
Siamak Yousefi1,2, Xiaoqin Huang1, Asma Poursoroush1
1Department of Ophthalmology, University of Tennessee Health Science Center, Memphis, Tennessee.
Ophthalmology science
|October 23, 2023
概括
使用光学连贯断层扫描 (OCT) 和视网膜神经纤维层 (RNFL) 厚度测量,开发了一种客观的玻璃眼损伤分类系统. 该系统根据RNFL损失准确地区分正常眼睛和早期,中度和高级格劳科马阶段.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 玻璃眼是导致不可逆转失明的主要原因.
- 准确的玻璃眼损伤严重程度分类对于患者管理至关重要.
- 目前的方法可能缺乏客观性和一致性.
研究的目的:
- 开发一个客观的玻璃眼损伤严重程度分类系统.
- 使用光学连贯断层扫描 (OCT) 衍生的视网膜神经纤维层 (RNFL) 厚度测量.
- 建立基于无监督学习的分类系统.
主要方法:
- 开发了一个使用多中心OCT数据的无监督k-means模型.
- 聚合的眼睛基于环状毛囊RNFL厚度概况.
- 通过使用贝叶斯最小误差原则来进行严重性分类来确定最佳RNFL厚度值.
主要成果:
- 确定了四个不同的集群,代表不同的RNFL厚度配置文件.
- 已建立的最佳全球RNFL厚度值:>95微米 (正常),86-95微米 (早期),70-85微米 (中度),<70微米 (高级).
- 在分类青光眼严重程度方面取得了很高的准确性,其中98%的晚期病例被正确识别.
结论:
- 开发了一个客观,公正和一致的玻璃眼损伤分类系统.
- 该系统使用来自海外的RNFL厚度测量和无监督机器学习.
- 这种分类方法可以增强青光眼的研究和临床实践.
