相关实验视频
Updated: Jun 17, 2026
14:33
Morphometric Analyses of Retinal Sections
Published on: February 19, 2012
10.2K
深度学习方法预测纵向视网膜神经纤维层厚度变化
Jalil Jalili1, Evan Walker1, Christopher Bowd1
1Hamilton Glaucoma Center and Division of Ophthalmology Informatics and Data Science, Shiley Eye Institute, Viterbi Family Department of Ophthalmology, University of California, San Diego, CA 92037, USA.
Bioengineering (Basel, Switzerland)
|February 26, 2025
概括
深度学习模型准确地预测视网膜神经纤维层 (RNFL) 厚度变化. 这些模型,特别是1D卷积神经网络 (CNN),有助于早期的青光眼诊断和监测疾病进展.
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:
- 青光眼的诊断和监测依赖于检测结构变化,例如视网膜神经纤维层 (RNFL) 变薄.
- 纵向数据分析对于了解疾病进展模式至关重要.
研究的目的:
- 开发和评估深度学习 (DL) 模型,用于预测青光眼患者的RNFL厚度变化.
- 为了比较DL模型的性能与RNFL厚度预测的传统回归方法.
主要方法:
- 利用了两项研究 (DIGS和ADAGES) 中251名青光瘤患者的纵向光学连贯性断层扫描 (OCT) 数据.
- 训练并评估了四种模型:线性回归 (LR),支向量回归 (SVR),梯度增强回归 (GBR) 和定制的1D卷积神经网络 (CNN).
- 采用患者级数据分割,以进行可靠的评估,并使用平均绝对误差 (MAE) 和R平方 (R2) 评估预测准确度.
主要成果:
- 梯度增强回归 (GBR) 模型在预测点向RNFL厚度变化方面表现强 (MAE = 5.2μm,R2 = 0.91).
- 定制的1D CNN在预测平均全球和部门RNFL厚度变化方面取得了卓越的结果 (MAE从2.0-4.2μm,R2从0.94-0.98).
- 定制的DL模型在不同的人口统计和疾病严重程度方面表现一致.
结论:
- 深度学习模型,特别是定制的1D CNN,为准确和高分辨率的RNFL厚度变化预测提供了一个有希望的方法.
- 这些模型有可能作为临床决策支持工具,用于更早地诊断青光眼并改善疾病管理.
- 在DL模型中整合纵向OCT成像提高了它们在随时间跟踪绿眼病进展方面的可靠性.
