使用基于卷积神经网络的视网膜光素血管学预测分支视网膜静脉封闭的治疗结果
Yupeng Zhang1, Zhen Xing1, Aijun Deng2
1Department of Ophthalmology, Afffliated Hospital of Shandong Second Medical University, School of Clinical Medicine, Shandong Second Medical University, Weifang, 261000, Shandong, China.
Scientific reports
|August 28, 2024
概括
使用深度学习的人工智能 (AI) 模型可以预测抗VEGF疗法的有效性,用于与黄斑胀 (BRVO-ME) 的分支视网膜静脉封闭. 开发的FFA-Net模型在预测治疗结果方面显示出有希望的准确性.
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:
- 由于分支视网膜静脉封闭 (BRVO-ME) 的次要斑点需要有效的治疗策略.
- 预测抗VEGF治疗的短期有效性对于患者管理至关重要.
- 当前的预测方法可能无法充分利用多式联络成像数据.
研究的目的:
- 开发和评估一种AI模型,用于预测BRVO-ME患者的抗VEGF治疗的短期治疗有效性.
- 为了利用光素底血管图像 (FFA) 来预测人工智能驱动的治疗反应.
- 根据已建立的基准来评估深度学习模型的性能.
主要方法:
- 基于VGG模型的深度学习分类网络 (FFA-Net) 使用180名BRVO-ME患者的治疗前FFA扫描进行了训练.
- 根据3个月拉尼比祖马布注射后的黄斑变化,患者被分为预后良好和不良的两组.
- 使用准确度,灵敏度,特异性,F1得分和ROC曲线来评估性能,并与基准模型进行比较.
主要成果:
- 在预测BRVO-ME治疗效果方面,FFA-Net的准确率为88.63%,F1得分为0.89.
- 该模型显示灵敏度为79.40%和特异性为71.34%,AUC为0.71.
- 类激活热图确定了FFA图像中影响预测的关键区域,这表明FFA中的BRVO键入具有预后重要性.
结论:
- 对FFA图像的深度学习分析可用于预测BRVO-ME中的抗VEGF治疗结果.
- 开发的FFA-Net模型在预测治疗有效性方面表现强.
- 在BRVO-ME中,FFA特征可以作为治疗反应的重要预测因素.
