基于深度学习的预测,从单一基线的OCT中预测个体地理缩的进展
Julia Mai1, Dmitrii Lachinov1, Gregor S Reiter1
1OPTIMA - Laboratory for Ophthalmic Image Analysis, Department of Ophthalmology and Optometry, Medical University of Vienna, Vienna, Austria.
Ophthalmology science
|April 9, 2024
概括
一个新的深度学习算法使用单个基线OCT扫描准确预测地理缩 (GA) 的进展. 这种工具有助于管理GA,一种现在可以治疗的疾病,通过识别疾病活动和快速进展者.
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:
- 地理缩 (GA) 是导致与年龄相关的黄斑变性视力丧失的主要原因.
- 准确预测GA进展对于患者管理和治疗干预至关重要.
研究的目的:
- 从基线OCT图像评估一个深度学习算法,用于从基线OCT图像预测个体地理缩 (GA) 病变进展.
- 评估算法识别具有快速GA增长率的患者的能力.
主要方法:
- 一个深度学习算法被开发和验证使用OCT和FAF图像从100名GA患者的184只眼睛.
- 在FAF图像上的GA病变的手动注释被注册到OCT扫描中,以创建面对面的OCT注释.
- 算法的性能使用子相似系数 (DSC) 和平均绝对误差 (MAE) 来评估.
主要成果:
- 该算法可靠地从单个基线OCT扫描中确定了GA疾病活性.
- 随着时间的推移,GA区域预测的平均DSC从0.70到0.82不等.
- 平均绝对误差在0.25毫米至0.69毫米之间.
- 该模型实现了0.77-0.81的AUC,用于识别顶部GA增长率百分点.
结论:
- 该算法允许从基线OCT完全自动化,时间连续的GA病变增长预测.
- 这代表了GA管理中的临床决策支持的重大进步.
- 该工具与最近的GA治疗方法的可用性特别相关.


