使用周边测量和光学一致性断层扫描的融合数据来改善对视野进展在眼的检测
Leo Yan Li-Han1, Moshe Eizenman2,3, Runjie Bill Shi3,4
1The Edward S. Rogers Sr. Department of Electrical & Computer Engineering, University of Toronto, Toronto, ON M5S 3G4, Canada.
Bioengineering (Basel, Switzerland)
|March 27, 2024
概括
一个新的自编码器数据融合 (AEDF) 模型有效地结合了周边测量和光学连贯性断层扫描 (OCT) 数据,以改进对青光眼的进展的检测. 这种人工智能方法在识别视野变化方面明显优于当前的方法.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 周边测量和光学连贯性断层扫描 (OCT) 对于监测青光眼的进展至关重要.
- 整合来自这些不同的模式的数据,由于数据类型不同,因此存在重大挑战.
研究的目的:
- 开发和评估一个自编码器数据融合 (AEDF) 模型,用于增强青光眼的进展检测.
- 创建一个融合数据集 (AE-fused数据),集成周长度和OCT信息.
- 为了优化模型的视野 (VF) 进展检测,同时保持OCT数据特征.
主要方法:
- 开发了一种自动编码器数据融合 (AEDF) 模型,该模型包含可解释的融合的编码损失.
- 训练和评估模型使用2504个纵向VF和OCT测试从140个青光眼患者.
- 将AE融合数据进展检测与仅VF数据和贝叶斯线性回归 (BLR) 模型进行比较.
主要成果:
- 在最初的2年随访中,AEDF模型实现了0.60的检测F1得分.
- AE融合数据显著超过标准临床方法 (F1得分:0.45) 和BLR模型 (F1得分:0.48) (p < 0.001).
- 该模型在检测视野进展方面表现出卓越的性能.
结论:
- 该AEDF模型提供了一种有前途的方法,用于整合多式联络数据在眼病管理.
- 由AEDF模型生成的临床可解释的融合数据改善了视野进展检测.
- 这种数据整合工具有可能推进青光眼的监测和患者护理.
