使用OCT血管学和深度学习模型在眼睛中检测斑点新血管化的斑点
Nida Wongchaisuwat1, Jie Wang2, Elizabeth S White2
1Casey Eye Institute, Department of Ophthalmology, Oregon Health & Science University, Portland, Oregon; Department of Ophthalmology, Faculty of Medicine Siriraj Hospital, Mahidol University, Bangkok, Thailand.
Ophthalmology. Retina
|October 26, 2024
概括
一个人工智能算法使用OCTA扫描准确地检测和细分与年龄相关的黄斑变性眼睛的黄斑新血管化 (MNV). 更高的扫描密度提高了检测灵敏度.
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:
- 黄斑新血管化 (MNV) 是排泄性与年龄相关的黄斑退化 (AMD) 的一个关键特征.
- 准确检测和细分MNV对于诊断和治疗监测至关重要.
- 光学连贯断层扫描血管图 (OCTA) 是可视化MNV的重要成像方式.
研究的目的:
- 评估人工智能 (AI) 算法的诊断性能,用于检测和细分MNV.
- 评估人工智能算法的有效性在眼睛中,由于各种原因引起的黄斑胀,包括排泄性AMD,糖尿病黄斑胀 (DME) 和视网膜静脉封闭 (RVO).
主要方法:
- 一项前性横截面研究,涉及112名参与者的114只眼睛.
- 参与者患有斑点,原因是之前没有接受过治疗的外泄性AMD,DME或RVO.
- 进行了光谱域OCTA (3x3mm和6x6mm扫描),并应用了卷积神经网络 (aiMNV) 来进行MNV检测和细分.
主要成果:
- aiMNV算法在3x3mmOCTA扫描上检测MNV方面表现出很高的性能:96.4%的灵敏度,98.3%的特异性,98.2%的PPV和96.6%的NPV.
- 细分业绩也非常出色,交叉与联盟 (IoU) 的平均分数为0.947分,F1的平均分数为0.973.
- 虽然6x6mm扫描表现良好,但相比3x3mm扫描,由于扫描采样密度降低,MNV检测的灵敏度较低.
结论:
- 新的aiMNV算法准确地检测和细分MNV的眼睛与排泄性AMD.
- 该算法有效地区分MNV与与DME或RVO相关的黄斑胀.
- 在OCTA成像中更高的扫描采样密度提高了aiMNV算法的MNV检测灵敏度.
