在视网膜疾病中验证读者间协议/圆形区域完整性和子RPE分区特征量化的一致性
Jordan Bell1,2, Jon Whitney2, Hasan Cetin2
1Cleveland Clinic Lerner College of Medicine Program, Case Western Reserve University, Cleveland, OH 44106, USA.
Diagnostics (Basel, Switzerland)
|November 9, 2024
概括
自动化深度学习平台准确量化视网膜层厚度和液体体积,匹配人类专家评估视网膜疾病的性能. 这项技术有助于评估光受体保护和优化临床护理.
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:
- 在疾病中对视网膜层特征的临床评估仍然具有挑战性.
- 对视网膜层厚度和液体体积的量化对于疾病监测至关重要.
- 深度学习为准确的,自动化的测量提供了潜在的解决方案.
研究的目的:
- 评估深度学习增强平台的性能,以量化视网膜层厚度和液体体积.
- 将自动细分指标与人类专家测量进行比较.
- 评估各种视网膜疾病的自动细分的可靠性.
主要方法:
- 分析了210个光谱域光学连贯性断层扫描 (SD-OCT) 扫描,包括健康对照组,干燥的与年龄相关的黄斑变性 (AMD),湿的AMD和糖尿病黄斑.
- 一个完全自动化的细分平台处理了23,625个B扫描,细分了四个关键的视网膜层:内部限制膜,圆形区域 (EZ),视网膜色素表皮 (RPE) 和布鲁赫膜.
- 通过认证的OCT阅读器 (半自动化方法) 验证和纠正自动化细分,并使用类内相关系数 (ICC) 与黄金标准进行性能比较.
主要成果:
- 自动化的视网膜平均厚度测量显示与人类读者有很好的一致性 (ICCs:0.980-0.999).
- 圆形区域-视网膜色素表皮质 (EZ-RPE) 厚度和亚RPE区间测量也显示出了很好的一致性 (ICC分别为0.953-0.987和0.944-0.997).
- 自动细分指标在不同视网膜疾病中接近或匹配了人类读者表现.
结论:
- 该研究表明,使用手动和半自动方法对视网膜外侧特征进行细分具有很高的可靠性和一致性.
- 自动化细分平台对准确的视网膜层分析有显著的前景.
- 测量EZ完整性等特征对于未来的临床试验和优化患者护理至关重要.
