基于变压器的深度学习预测10度汉弗里视觉场测试从24度数据的10度汉弗里视觉场测试
Min Shi1, Anagha Lokhande1, Yu Tian1
1Harvard Ophthalmology AI Lab, Schepens Eye Research Institute of Massachusetts Eye and Ear, Harvard Medical School, Boston, MA, USA.
Translational vision science & technology
|August 7, 2024
概括
这项研究表明,使用深度学习,可以从24-2个视觉场 (VF) 准确地预测10-2个视觉场. 这一进步有可能改善青光眼的诊断和监测.
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:
- 准确的视野 (VF) 测试对于诊断和监测玻璃眼病至关重要.
- 标准的 24-2 VF 测试可能无法捕获早期绿眼病的特征微妙的偏中心视力丧失.
- 10-2 VF测试在中央视野中提供更高的分辨率,但更耗时.
研究的目的:
- 开发和验证一个深度学习模型,用于从标准的24-2 VF中预测10-2视觉场 (VF).
- 评估模型将非总偏差特征纳入模型的能力,以提高预测准确度.
- 评估预测的10-2VF是否有助于我们更好地了解青光眼中结构功能关系.
主要方法:
- 基于变压器的深度学习模型是使用来自2236名患者的5189对24-2和10-2VF开发的.
- 该模型使用了52个总偏差值和9个VF测试特征来预测68个10-2总偏差值.
- 使用平均绝对误差,根平均平方误差和R2来评估性能;分析了结构-功能关系.
主要成果:
- 该模型的平均平均绝对误差为3.30±0.52dB,R2为0.70±0.11对于10-2VF预测.
- 结合九个VF测试功能,提高了预测准确度,年龄被确定为关键参数.
- 预测的10-2VF显著改善了黄斑稀疏和近中心VF损失之间的结构功能关系 (P < 0.001).
结论:
- 深度学习模型可以有效地从24-2视野数据中预测10-2视野.
- 添加额外的VF测试功能可以提高预测准确度.
- 预测的10-2VF显示了改善青光眼诊断和患者管理的前景.
