预测状黄斑孔中的功能和解剖学进展
Emanuele Crincoli1, Barbara Parolini2, Fiammetta Catania3
1Ophthalmology Unit, Fondazione Policlinico Universitario A. Gemelli IRCCS, Rome, Italy.
Ophthalmology science
|September 16, 2024
概括
人工智能准确地预测了两年内状黄斑孔 (LMH) 的视力敏度损失. 使用OCT和OCT血管学深度学习模型识别关键生物标志物,改善对LMH进展的理解.
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:
- 状黄斑孔 (LMH) 可能导致视力敏度下降.
- 预测未经治疗的LMHs的功能进展对于患者管理至关重要.
- 目前评估LMH进展的方法依赖于对成像数据的主观解释.
研究的目的:
- 开发和验证一种深度学习 (DL) 模型,用于预测未经治疗的LMHs的视力敏度 (VA) 损失.
- 使用OCT和OCT血管学 (OCTA) 识别与LMHs解剖和功能进展相关的成像生物标志物.
- 通过人工智能增强对LMH自然历史的理解.
主要方法:
- 一个多中心的回顾性观察性研究,涉及患有异常性LMH的患者和可用的OCT/OCTA数据.
- 结合基于OCT和OCTA的模型的DL模型经过训练,在2年的随访期间预测VA损失 (>5个ETDRS字母).
- 评估了生物标志物,包括圆形区域 (EZ) 损伤,组织损失 (TL),玻璃细胞粘附 (VPA) 和视网膜血管密度.
主要成果:
- 功能性进展的LMH表现出更高的EZ损伤,体积TL和VPA,以及降低的表面毛细管 (SCP) 血管密度和增加的choriocapillaris (CC) 流量缺陷密度 (FDD).
- 在预测VA损失方面,DL和支持向量机 (SVM) 模型实现了高准确性 (分别为92.5%和90.5%).
- 关键的预测特征包括EZ损伤,TL,CC FDD和偏SCP血管密度.
结论:
- 深度学习模型可以准确地预测两年内未经治疗的LMHs的功能进展.
- 对OCT和OCTA的AI驱动分析可以识别LMH进展的关键成像生物标志物.
- CC和SCP的完整性在LMHs的进展中发挥着重要作用.
