深度学习辅助的分析早期生物标志物变化在治疗前的患者与神经血管AMD下内法里西马布Faricimab

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:

• 神经血管与年龄相关的黄斑变性 (nAMD) 需要客观的评估方法.
• 人工智能 (AI) 驱动的细分提供了一个客观的方法来量化光连贯断层扫描 (OCT) 生物标志物.
• 法里西马布是一种针对VEGF和Ang-2的双特异性抑制剂,为nAMD提供了一个新的治疗选择.

研究的目的:

• 在nAMD中应用基于AI的细分算法来量化关键的OCT生物标志物.
• 用AI量化生物标志物评估在未经治疗的nAMD患者中,对静脉内法里西马布的短期疗效.
• 评估生物标志物变化与视力敏度改善之间的相关性.

主要方法:

• 从38名未经治疗的nAMD患者中对40只眼睛进行了回顾性分析,这些患者每4个月接受一次静脉直肠法里西马布注射.
• 使用基于深度学习的语义细分算法量化中枢视网膜厚度 (CRT),视网膜内液 (IRF),视网膜下液 (SRF),视网膜下超反射物质 (SHRM) 和纤维血管色素表皮脱落 (fvPED).
• 在基线,治疗后1,2,3个月的最佳校正视敏度 (BCVA) 和OCT数据的分析.

主要成果:

• 观察到关键生物标志物的显著减少:CRT下降了43.8%,IRF和SRF的数量减少了99%以上 (p < 0.0001).
• 最好校正的视力敏度 (BCVA) 从0.60到0.40 logMAR显著改善 (p < 0.0001).
• 在IRF和SHRM的减少被确定为视觉改善的最强的预测因素.

结论:

• 人工智能辅助的生物标志物分析可以在nAMD中进行精确的疾病监测.
• 法里西马布在减少nAMD活性生物标志物和改善先前未接受治疗的患者视力敏度方面表现出显著的有效性.
• 这些发现支持将人工智能驱动的生物标志物评估纳入临床实践,以早期控制nAMD.