推进光学一致性断层扫描诊断能力:机器学习方法检测自身免疫性炎症疾病
Rachel C Kenney1, Thomas A Flagiello, Anitha D' Cunha
1Departments of Neurology (RK, TF, SNG, LJB, SLG), and Population Health (RK, LJB), New York University Grossman School of Medicine, New York, New York; Department of Medicine (RK), Vanderbilt University Medical Center, Nashville, Tennessee; Center for Advanced Neurological Research (ADC, LP), Nitte University, Mangalore, India; Department of Neurology (SA), KS Hegde Medical Academy, Nitte University, Mangalore, India; Experimental and Clinical Research Center (FO, FP), Max Delbrueck Center for Molecular Medicine and Charité-Universitätsmedizin Berlin, Berlin, Germany; Corporate Member of Freie Universität Berlin and Humboldt-Universität zu Berlin (FO, FP), Berlin, Germany; Neuroscience Clinical Research Center (FO, FP), Charité-Universitätsmedizin Berlin, Berlin, Germany; Department of Neurology (FO, FP), Charité-Universitätsmedizin Berlin, Berlin, Germany; Department of Radiology and Radiological Sciences (KS), Vanderbilt University Medical Center, Nashville, Tennessee; and Department of Ophthalmology (LJB, SLG), New York University Grossman School of Medicine, New York, New York.
机器学习模型可以使用OCT扫描来区分自身免疫性炎症性疾病 (如NMOSD,MOGAD和MS) 和健康的眼睛. 这有助于在传统工具不足时进行早期诊断.
科学领域:
- 眼科医生 眼科 眼科
- 神经学 神经学
- 人工智能的人工智能
背景情况:
- 自身免疫性炎症性疾病,包括神经omyelitis optica光谱障碍 (NMOSD),髓寡细胞蛋白抗体相关疾病 (MOGAD) 和多发性硬化症 (MS) 在全球范围内正在增加.
- 由于当前诊断工具的局限性,延迟诊断这些疾病是常见的.
- 光学连贯性断层扫描 (OCT) 在区分MS和健康对照中表现出有希望.
研究的目的:
- 评估使用机器学习 (ML) 与OCT测量的可行性,以区分NMOSD,MOGAD,MS,其他眼部疾病和健康对照 (HCs).
- 根据视网膜层厚度测量,评估ML模型区分特定自身免疫性炎症性眼病的能力.
主要方法:
- 使用MS (n=99),NMOSD (n=40),MOGAD (n=74),其他眼部疾病 (n=16) 和HC (n=54) 的患者数据开发了支持矢量机 (SVM) 分类模型.
- 模型结合了年龄和OCT测量,测量了周状视网膜神经纤维层 (pRNFL),细胞内状层 (GCIPL) 和内核层 (INLs).
- 数据被分为训练 (70%) 和测试 (30%) 组,用于参数选择的交叉验证和对患者内部相关性的核算.
主要成果:
- SVM模型在条件之间显示出强大的区分能力,接收器下面的面积操作特征曲线 (AUROC) 从0.81到1.00不等.
- 区分疾病的模型准确度从中等到高 (0.660.81),除了MS和NMOSD (0.53).
- 这些模型成功地将MOGAD,NMOSD和MS患者的眼睛与健康对照和其他眼部疾病区分开来.
结论:
- 使用OCT测量的机器学习模型在区分自身免疫性炎症性眼病,健康对照和其他眼部疾病方面是有效的.
- 这项研究为未来的深度学习研究提供了基础,使用OCT原始图像分析来识别疾病.
- 这些发现表明,基于ML的OCT分析可以帮助早期识别自身免疫性炎症疾病中的视神经病变.


