可泛化深度学习用于检测不完整和完整的视网膜色素上皮质和外视网膜缩:一个马库斯塔尔报告

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:

• 与年龄相关的黄斑变性 (AMD) 是导致视力丧失的主要原因.
• 准确量化视网膜缩,特别是不完整的视网膜色素表皮和外视网膜缩 (iRORA) 和完整的视网膜色素表皮和外视网膜缩 (cRORA),对于监测中级AMD (iAMD) 疾病进展至关重要.
• 光学连贯断层扫描 (OCT) 是评估视网膜变化的关键成像方式.

研究的目的:

• 开发一个深度学习算法来检测和量化iRORA和cRORA使用OCT.
• 为了确保算法在OCT设备上得到很好的泛化.
• 在iAMD队列中验证算法的性能.

主要方法:

• 开发了一种深度学习算法,包括用于跨设备概括的域适应 (DA) 模型和用于iRORA/cRORA检测的细分模型.
• 在 MACUSTAR 研究 (168 名 iAMD 患者) 的 OCT 图像中手动注释iRORA/cRORA,跨不同设备.
• 使用灵敏度,特异性,二次加权的科恩 κ 分数 (κw),布兰德-阿尔特曼图形和定性评估来评估算法性能.

主要成果:

• 支持DA的算法在ZEISS和Spectralis OCT上实现了对iRORA/cRORA和cRORA检测的高特异性.
• 根据设备的敏感性有所不同,与ZEISS (38.5%) 相比,Spectralis (84.0%的iRORA/cRORA) 的性能更高.
• 平方加权的科恩的 κ 评分表明,Spectralis 的基本一致性 (κw=0.73) 和 ZEISS 的中度一致性 (κw=0.37);去除 DA 减少了 Spectralis 的 κw.

结论:

• 开发的深度学习算法在OCT设备中表现出良好的概括性,用于检测和量化iRORA/cRORA.
• 与人类注释相比,该算法表现出更高的一致性.
• 这种工具有可能在临床和研究环境中精确,自动跟踪iAMD相关的损伤变化.