使用光学相干断层扫描图像与深度神经网络预测神经血管与年龄相关的黄斑变性复发

科学领域:

• 眼科医生 眼科 眼科
• 人工智能在医学中的应用
• 医学成像分析 医学成像分析

背景情况:

• 神经血管与年龄相关的黄斑变性 (nAMD) 是导致失明的主要原因.
• 目前的治疗方法,包括抗VEGF注射,需要经常监测,并可能导致过度治疗.
• 治疗和扩展方法旨在平衡疗效和治疗负担,但存在风险.

研究的目的:

• 开发一个深度学习模型 (DenseNet201) 来预测nAMD复发.
• 用光谱域光学连贯性断层扫描 (OCT) 图像来评估模型的预测准确性.
• 为了比较模型的表现与经验丰富的眼科医生.

主要方法:

• 使用了来自269名未经治疗的nAMD患者的1076张OCT图像的数据集.
• 训练了DenseNet201模型,以预测治疗后三个月内nAMD复发的情况.
• 模型的性能与六名眼科医生进行了评估,使用100个随机选择的样本.

主要成果:

• DenseNet201模型实现了53.0%的准确度,从单个注射前的OCT图像预测复发.
• 当模型分析注射后的OCT图像时,准确度增加到60.2% (第1,2,3次).
• 人工智能模型的平均精度 (52.17%单图像,53.3%多图像) 超过了眼科医生 (52.17%和53.3%).

结论:

• 深度学习模型在预测OCT图像的nAMD复发方面显示出显著的希望.
• 开发的AI模型表现优于人类专家,表明其作为临床决策支持工具的潜力.
• 人工智能辅助预测可以优化nAMD治疗策略,潜在地改善患者的治疗结果并减少过度治疗.