开发和验证CNN-MLP模型,用于预测糖尿病黄斑的抗VEGF治疗结果

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:

• 糖尿病黄斑 (DME) 是糖尿病患者视力丧失的主要原因.
• 抗血管内皮生长因子 (抗VEGF) 治疗是DME的标准治疗方法,但结果有很大差异.
• 预测治疗反应对于个性化患者管理至关重要.

研究的目的:

• 开发和验证深度学习 (DL) 模型,用于预测DME患者的抗VEGF治疗结果.
• 利用多式联络数据,包括光连贯断层扫描 (OCT) 图像和临床数据.
• 评估结合卷积神经网络 (CNN) 和多层感知器 (MLP) 架构的预测精度.

主要方法:

• 一个Xception-MLP架构被用于预测.
• 这些模型预测了最佳校正的视力敏度 (BCVA),中央子场厚度 (CST),立方体体积 (CV) 和立方体平均厚度 (CAT).
• 使用平均绝对误差 (MAE),平均平方误差 (MSE) 和平均平方逻辑误差 (MSLE) 评估模型性能.

主要成果:

• 培训和验证两组都显示了MAE,MSE和MSLE的持续下降.
• 在实际和预测的临床指标值之间没有观察到统计学意义上的差异.
• 开发的DL模型在预测治疗结果方面表现出很高的准确性.

结论:

• 改进的CNN-MLP回归模型利用多式数据可以准确预测DME患者在抗VEGF治疗后的BCVA,CST,CV和CAT.
• 这些预测模型为眼科临床决策提供了宝贵的支持.
• 准确预测结果可能会降低患者的经济负担.