人工智能定量化分裂体积作为基因疗法临床试验的结构终点,用于X链联视网膜分裂症

科学领域:

• 眼科医生 眼科 眼科
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 与X相关的视网膜分裂症 (XLRS) 是一种影响视力的遗传疾病.
• 临床试验中的当前结构终点,如中央子场厚度 (CST) 和中央骨厚度 (CFT),可能不够敏感以检测治疗效应.
• 需要新的成像分析方法来提高XLRS.临床试验的效率.

研究的目的:

• 开发和验证一种人工智能 (AI) 模型,用于量化X链联视网症 (XLRS) 中的分裂体积 (ASV).
• 评估ASV作为XLRS基因治疗临床试验中的结构终点.
• 将ASV与传统终点 (CST,CFT) 的疗效进行比较,以检测治疗效果和确定样本大小要求.

主要方法:

• 一个人工智能模型被训练在光学连贯性断层扫描 (OCT) 片与人类注释的分裂腔.
• 使用AI模型对XLRS患者在碳酸酶抑制剂 (CAI) 治疗前后的OCT扫描进行量化.
• 一个模拟的临床试验比较了ASV,CST和CFT的变化,计算了效果大小 (科恩的d) 和未来基因治疗试验所需的样本大小.

主要成果:

• 人工智能模型准确量化了分裂体积 (ASV).
• 在一项模拟试验中,ASV变化在响应CAI治疗时具有统计学意义 (p=0.004),与CST和CFT不同.
• 与CST (0.685) 和CFT (0.521) 相比,ASV显示出更大的效果大小 (科恩d=0.972) .
• 样本大小计算表明,在未来的XLRS基因疗法试验中,ASV需要每臂的参与者数量要少于CST (35) 或CFT (59) 的参与者数量 (18).

结论:

• 基于AI的ASV测量有效地跟踪XLRS患者的分裂体积变化.
• 在XLRS临床试验中,ASV作为比CST和CFT更强大的统计学结构终点.
• 使用ASV作为终点可以显著减少未来XLRS基因疗法研究所需的样本大小,提高试验效率.