使用深度学习的结构和功能的地形和定量相关性,用于中期与年龄相关的黄斑退化症的亚临床生物标志物
Klaudia Birner1, Gregor S Reiter1, Irene Steiner2
1Laboratory for Ophthalmic Image Analysis (OPTIMA), Department of Ophthalmology and Optometry, Medical University of Vienna, Vienna, Austria.
Scientific reports
|November 15, 2024
概括
深度学习模型确定了与年龄相关的中期黄斑变性 (iAMD) 中的关键结构变化,这些变化显著影响视觉敏感性. 这些发现将光学相干断层扫描 (OCT) 生物标志物与微波测量 (MP) 结果联系起来,改善对视网膜功能的理解.
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:
- 中期与年龄相关的黄斑变性 (iAMD) 呈现出微妙的结构变化,影响视觉功能.
- 准确量化这些变化对于了解疾病进展和视觉结果至关重要.
- 深度学习 (DL) 提供了分析眼部成像数据的先进方法.
研究的目的:
- 调查DL量化生物标志物的形态影响在iAMD的点智敏度 (PWS).
- 通过使用先进的图像注册,将光学连贯性断层扫描 (OCT) 和微波量测量 (MP) 数据关联起来.
- 在iAMD中确定与视网膜功能下降相关的可量化的结构生物标志物.
主要方法:
- 患有iAMD的患者接受了OCT和MP检查.
- DL算法量化了圆形区域 (EZ) 厚度,高反射焦点 (HRF) 和德鲁森体积.
- 人类专家量化了外核层 (ONL) - 厚度和亚皮核体沉积物 (SDD).
- MP刺激与OCT数据共同记录;使用多变量混合效应模型.
主要成果:
- 降低了EZ厚度,降低了ONL厚度,增加了HRF,增加了德鲁森体积显著减少了PWS (p < 0.001).
- 这些效应与异常率显著相互作用 (p < 0.001).
- 亚视网膜下状体沉积 (SDD) 与PWS负相关 (p < 0.001).
结论:
- 在EZ完整性,HRF和德鲁森体积的亚临床变化是可量化的结构生物标志物,与iAMD中的视网膜功能下降有关.
- 拓学共登记的OCT和MP数据增强了对病理学生物标志物的理解.
- 这种方法有可能在iAMD中评估可量化的功能终点.
