使用机器学习算法对临床数据和光学连贯性断层扫描血管造影进行糖尿病视网膜病变分类的识别
Xiaoli Li1, Xin Wen2, Xianwen Shang1
1Department of Ophthalmology, Guangdong Eye Institute, Guangdong Provincial People's Hospital (Guangdong Academy of Medical Sciences), Southern Medical University, Guangzhou, China.
Eye (London, England)
|June 13, 2024
概括
使用光连贯断层扫描血管学 (OCTA) 和临床数据的机器学习模型准确地分类糖尿病视网膜病变 (DR). 这种方法有助于对DR患者进行查,转诊和管理.
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:
- 糖尿病视网膜病变 (DR) 对视力构成重大威胁.
- 准确的DR严重程度的分类对于及时干预至关重要.
- 将临床数据与OCTA集成,可以提高诊断能力.
研究的目的:
- 开发和验证用于多类糖尿病视网膜病变 (DR) 分类的机器学习 (ML) 模型.
- 用组合的临床和OCTA数据来评估ML算法的性能.
- 为了确定DR分类的关键预测因素.
主要方法:
- 一项涉及203名糖尿病患者的横截面观察性研究,用于模型开发和169人用于外部验证.
- 利用随机森林,梯度增强机 (GBM),深度学习和后勤回归算法.
- 使用接收器运行特征曲线和曲线下的面积 (AUC) 评估算法性能.
主要成果:
- 随机森林和GBM算法在使用OCTA和临床数据时实现了DR,可引用DR (RDR) 和视力威胁DR (VTDR) 分类的更高AUC值.
- 关键预测因素包括血管密度,视网膜厚度,GCC厚度,BMI,腰比,以及降血糖治疗.
- 与临床数据相结合的OCTA显示出更高的预测准确性.
结论:
- 使用OCTA和临床数据的基于ML的多类DR分类为查,转诊和管理提供了可靠的帮助.
- 该研究强调了整合多式联运数据以改善DR评估的潜力.
- 这些发现支持ML在管理糖尿病视网膜病变患者群体中的临床实用性.
