深度学习用于预测视网膜脱落的晚期复发,使用术前和术后超广场成像
Fiammetta Catania1,2, Thibaut Chapron1,3, Emanuele Crincoli4
1Ophthalmology Department, Rothschild Foundation Hospital, Paris, France.
Acta ophthalmologica
|April 29, 2024
概括
深度学习模型使用术前和术后超广场 (UWF) 图像准确地预测了风湿性视网膜脱落 (RRD) 的晚期复发. 手术后的UWF成像,特别是自发光,在预测RRD复发方面显示出高准确度.
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:
- 即使在成功的手术后,也可能导致晚期复发 (LR).
- 准确预测LR对于优化患者随访和管理策略至关重要.
研究的目的:
- 开发和评估深度学习 (DL) 模型,用于预测RRD的LR.
- 使用术前和术后超广场 (UWF) 伪色和 fundus 自流光 (AF) 图像进行预测.
主要方法:
- 追溯性研究包括412只眼睛接受了硬膜曲 (SB) 或为RRD进行帕斯普拉纳视切除术 (PPV).
- 训练了四个DL模型,使用UWF手术前/手术后伪色和AF图像来预测LR在两年内.
- 基于RRD在手术后6周至2年间的复发而建立的基本真相.
主要成果:
- DL模型实现了高的预测准确性,术后模型通常表现优于术前模型.
- 对于PPV治疗的眼睛,准确率从85.6%到91.1%不等;对于SB治疗的眼睛,准确率从86.5%到91.1%.
- 确定了潜在的新型风险因素,包括广泛的激光视网膜外科手术和不对称的稳形瘤.
结论:
- 深度学习模型可以使用UWF成像,特别是术后图像,准确地预测RRD的LR.
- 这些模型可以帮助完善RRD患者的后续策略.
- 突出地图可以进一步了解RRD复发动态.
