预测糖尿病黄斑的长期治疗结果使用生成对抗网络
Jiwon Baek1,2,3,4, Ye He1,4, Mehdi Emamverdi1,4
1Doheny Eye Institute, Pasadena, CA, USA.
Translational vision science & technology
|July 3, 2024
概括
生成对抗网络 (GAN) 可以预测长期抗VEGF治疗后糖尿病黄斑胀 (DME) 的残留液和硬液. 这种人工智能工具有助于识别不响应患者,以便更好地规划治疗.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 糖尿病黄斑 (DME) 是糖尿病患者视力丧失的主要原因.
- 抗血管内皮生长因子 (VEGF) 治疗是DME的标准治疗方法.
- 预测治疗反应对于优化患者管理至关重要.
研究的目的:
- 使用生成对抗网络 (GAN) 分析光学连贯性断层扫描 (OCT) 图像.
- 预测长期抗VEGF治疗后DME患者的残留液体和硬液的发生.
主要方法:
- 在一项随机对照试验中,利用了 327 个 DME 眼睛的 OCT B 扫描图像,治疗了 52 周.
- 训练了GAN模型 (CycleGAN,UNIT,Pix2PixHD,RegGAN) 以基于基线和后续数据生成OCT图像.
- 评估了使用积极预测值,灵敏度,特异性和卡帕等指标的GAN性能,用于残留液体和硬排泄物.
主要成果:
- GAN模型成功生成了可分级的OCT图像,模型性能各不相同.
- 剩余液体的积极预测值在0.500至0.889之间,硬排泄物在0.500至1.000之间.
- 模型将早期的时间点OCT扫描 (4周和12周) 作为额外输入,证明了预测准确度的提高.
结论:
- 在DME患者治疗后预测残留液体和硬排泄物方面,GAN显示出前景.
- 这种预测能力可以帮助识别潜在的不响应抗VEGF治疗的患者.
- 该工具促进了对DME患者的积极管理计划.
更多相关视频
10:24Regenerative Therapy by Suprachoroidal Cell Autograft in Dry Age-related Macular Degeneration: Preliminary In Vivo Report
Published on: February 12, 2018
10.1K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
