预测分支视网膜静脉闭塞的发展,使用多模式深度学习和预发性 fundus 半截图图像
Eun Young Choi1, Dongyoung Kim2, Jinyeong Kim3
1Department of Ophthalmology, Gangnam Severance Hospital, Institute of Vision Research, Yonsei University College of Medicine, 211, Eonjuro, Gangnam-gu, Seoul, 06273, Republic of Korea.
Scientific reports
|January 21, 2025
概括
一种新的深度学习模型可以使用视网膜血管图像预测分支视网膜静脉封闭 (BRVO). 这种方法对早期检测视力丧失的常见原因充满希望.
科学领域:
- 眼科和医学成像学
- 医疗保健中的人工智能
- 视网膜血管疾病研究研究
背景情况:
- 分支视网膜静脉封闭 (BRVO) 是成年人视力障碍的重要原因之一.
- 目前,仅从视网膜血管模式预测BRVO是具有挑战性的.
- 早期发现和预测BRVO对于及时干预和维护视力至关重要.
研究的目的:
- 开发和评估一种用于预测分支视网膜静脉封闭 (BRVO) 的深度学习模型.
- 评估结合 fundus 图像和血管 (BV) 数据的多式联络方法的有效性.
- 为了确定预测BRVO发病的关键视网膜血管特征.
主要方法:
- 一项回顾性队列研究利用了BRVO和没有BRVO的患者的半截 fundus 图像.
- 一个U-net深度学习模型细分了视网膜结构,包括光盘和血管 (BVs).
- 单模式 (仅用于基金或BV) 和BV增强型多模式模型被训练并对BRVO预测进行比较.
主要成果:
- 通过BV增强的多式联网深度学习模型,实现了接收器运行特征曲线 (AUC) 下的面积为0.76.
- 多式联运模型的预测准确度为68.5%的未来的BRVO.
- 预测集中在视网膜血管廊内的动脉静脉交叉区域.
结论:
- 综合视网膜底图像和血管数据的深度学习模型显示了预测分支视网膜静脉封闭 (BRVO) 的潜力.
- 增强BV的多式联络方法提供了比单式联络模型更好的预测性能.
- 需要进一步验证更大的多中心数据集,以提高临床实用性和准确性.
