深度学习量化圆区域的结构-功能相关性以及在地理性缩中视网膜色素表皮损失和微比度

科学领域:

• 眼科医生 眼科 眼科
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 地理缩 (GA) 是导致视力丧失的主要原因.
• 在GA中评估功能障碍往往依赖于视力敏度,视力敏度可能无法捕捉早期变化.
• 光学连贯性断层扫描 (OCT) 提供了详细的结构信息,但将其与功能缺陷相关 requires 需要进行高级分析.

研究的目的:

• 建立深度学习 (DL) 量化生物标志物从光谱域OCT (SD-OCT) 和使用微波测量 (MP) 的功能测试在GA患者之间的结构功能相关性.
• 确定特定的SD-OCT生物标志物,这些生物标志物可以预测MP测量的功能缺陷.

主要方法:

• 使用SD-OCT和两个MP设备对GA患者的前性检查.
• DL算法量化了关键生物标志物:圆形区域厚度 (EZT),圆形区域损失 (EZL),超反射焦点 (HRF) 体积,德鲁森体积 (DV) 和视网膜色素上皮质损失面积 (RPEL).
• 使用MP刺激与OCT扫描的点向同时注册和多变量混合效应建模来将生物标志物与点向视网膜敏感性 (PWS) 相对应.

主要成果:

• 在使用RPEL和不使用RPEL的情况下,在EZL和减少PWS之间发现了显著的相关性.
• 增加的EZT显示出与更高的PWS有显著的积极关联.
• 德鲁森体积和HRF体积与PWS减少有关,而年龄不是一个显著的因素.

结论:

• 按MP测量的GA功能障碍与OCT上DL量化的特定形态变化密切相关.
• 圆形区域的损失,即使没有RPE损失,也会显著损害微波测量功能.
• 基于DL的SD-OCT生物标志物评估和MP的组合适用于评估视网膜功能超出视敏度和疾病监测.