通过基于深度学习的OCT分析确定了地理缩的Pegcetacoplan的疾病活动和治疗反应
Ursula Schmidt-Erfurth1, Julia Mai1, Gregor S Reiter1
1OPTIMA - Laboratory for Ophthalmic Image Analysis, Department of Ophthalmology and Optometry, Medical University of Vienna, Vienna, Austria.
Ophthalmology
|August 16, 2024
概括
佩格塞塔科普兰治疗显著降低了摄影受体和视网膜色素上皮质在地理缩 (GA) 中的损失. 对OCT图像的深度学习分析显示,减少圆形区域损失比减少RPE损失更有好处,强调EZ-RPE差异是治疗反应的关键.
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:
- 地理缩 (GA) 是一种与年龄相关的黄斑变性 (AMD) 的高级形式.
- 目前对GA的治疗方法有限,需要新的治疗方法.
- 佩格塞塔科普兰向补体级联,这是AMD病变发生的关键途径.
研究的目的:
- 为了量化光受体 (PR) 和视网膜色素表皮 (RPE) 层的形态变化,GA患者接受了 pegcetacoplan 治疗.
- 利用基于深度学习的光学连贯断层扫描 (OCT) 图像的分析进行客观量化.
- 在24个月的时间内,评估佩格西塔科普兰对RPE损失和圆形区域 (EZ) 损失的影响.
主要方法:
- 从两个第三阶段临床试验 (OAKS和DERBY) 的OCT图像进行了特设后期纵向分析.
- 用深度学习算法对RPE损失和EZ损失 (表明PR退化) 进行细分.
- 在 pegcetacoplan 治疗手臂 (每月和每隔一月) 和假手臂之间比较了平均 RPE 和 EZ 损失区域的变化.
主要成果:
- 与24个月的假药相比,Pegcetacoplan证明了RPE损失增长的治疗性降低 (20-27%) 和EZ损失 (46-53%) 的显著降低.
- 在EZ和RPE损失 (EZ-RPE差异) 之间的基线差异显著影响了疾病活性和治疗反应.
- 对于RPE和EZ损失的治疗效益随着较大的基线EZ-RPE差异而增加,特别是在较高的四分位数中.
结论:
- 基于深度学习的OCT分析提供了对GA中PR和RPE退化的客观量化.
- 佩格塞塔科普兰治疗导致EZ损失的减少大于RPE损失,这表明它具有神经保护作用.
- EZ-RPE差异是GA进展和对佩格塞塔科普兰的反应的关键因素,可能指导患者选择治疗.
