这是进步还是衰老? 一种深度学习方法来区分青光眼的进展与与年龄相关的变化在OCT扫描中
Sayan Mandal1, Alessandro A Jammal2, Davina Malek3
1From the Department of Electrical and Computer Engineering, Pratt School of Engineering (S.M., F.A.M.), Duke University, Durham, North Carolina, USA.
American journal of ophthalmology
|May 4, 2024
概括
一个新的深度学习算法有效地使用光学连贯性断层扫描 (OCT) 扫描检测玻璃眼病的进展,优于传统方法. 这种进步有助于识别没有参考标准的结构变化.
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:
- 玻璃眼是导致不可逆转失明的主要原因.
- 准确检测青光眼的进展对于及时干预至关重要.
- 光学连贯断层扫描 (OCT) 可提供视神经和视网膜神经纤维层的高分辨率成像.
研究的目的:
- 开发和验证深度学习 (DL) 算法,以使用OCT图像检测青光眼的进展.
- 为了应对在没有传统参考标准的情况下识别青光眼的进展的挑战.
主要方法:
- 一个回顾性队列研究,涉及眼睛与绿眼病和健康的对照.
- 使用卷积神经网络 (CNN) 和长短期记忆 (LSTM) 网络开发一个弱监督的时间序列学习模型 (Noise-PU DL).
- 经过训练,DL模型识别了青光眼的进展,并考虑了与年龄相关的变化和测试-重新测试的可变性.
主要成果:
- 这项研究包括8,785个随访序列,来自3,253只眼睛.
- DL模型实现了0.498的命中率,在95%的特异性下显著优于普通最小平方 (OLS) 回归 (0.284).
- 这表明在检测青光眼的进展方面具有更高的灵敏度.
结论:
- 一个深度学习模型成功地在OCT B扫描中识别了标志着青光眼进展的纵向结构变化.
- 开发的DL算法为眼监测提供了一个有前途的工具,即使没有最终的参考标准.
