深度学习模型的验证,用于自动检测和量化五个与神经血管与年龄相关的黄斑变性相关的OCT关键视网膜特征
Federico Ricardi1,2, Jonathan Oakley3, Daniel Russakoff3
1Department of Surgical Sciences, University of Turin, Turin, Italy.
The British journal of ophthalmology
|March 14, 2024
概括
一个新的深度学习模型准确地对新血管与年龄相关的黄斑变性 (nAMD) 的五个关键生物标志物进行细分. 这种自动化工具与专家评分器相匹配,改善了nAMD研究和临床评估.
科学领域:
- 眼科和医学成像学
- 医疗保健中的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 神经血管与年龄相关的黄斑变性 (nAMD) 是导致视力丧失的主要原因.
- 对视网膜生物标志物的准确细分对于诊断和治疗监测至关重要.
- 目前的手动细分方法耗时且主观.
研究的目的:
- 开发和验证一个深度学习模型来细分五个关键的nAMD生物标志物.
- 为了自动化细分过程,提高效率和一致性.
主要方法:
- 一个基于U-Net的深度学习架构在300个来自nAMD患者的光连贯性断层扫描 (OCT) 卷上进行了训练.
- 进行了内液,下液,下高反射物质,德鲁森/PED和新血管PED的手动细分.
- 模型性能使用AUC,相关性得分和Dice系数进行评估.
主要成果:
- 该模型在液体检测中实现了高精度,AUC为0.93 (每片) 和0.88 (每体积).
- 在自动化和手动细分之间观察到强烈的相关性 (R2 = 0.89).
- 平均子得分为0.61,表明对细分有很好的重叠.
结论:
- 一个完全自动化的深度学习模型用于nAMD生物标志物细分,其表现与专家评分器相当.
- 这种工具有助于客观地评估形态变化和实际临床环境中的治疗疗效.
- 该模型有可能增强结构化报告,并减少观察者之间的变化.
