在切换到faricimab后,对耐火性新血管AMD生物标志物变化的深度学习辅助分析

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) 带来了挑战,特别是在治疗不耐用的病例中.
• 针对VEGF和Ang-2的双特异性抑制剂法里西马布 (Faricimab) 是一种新的治疗选择.
• 在监测nAMD进展方面,对象性量化CT国外生物标志物至关重要.

研究的目的:

• 评估法里西马布在耐治疗的nAMD患者中的疗效和耐久性.
• 利用人工智能驱动的深度学习来精确地对OCT生物标记物进行细分和分析.
• 评估9个月内关键解剖特征和治疗间隔的变化.

主要方法:

• 在对其他治疗不充分反应后,转换为Faricimab的nAMD患者的回顾性分析.
• 通过使用深度学习算法,对OCT生物标志物 (fvPED,IRF,SRF,SHRM,胆道体积,CRT) 的自动细分.
• 基线,三个月和治疗开始后九个月的生物标志物的比较.

主要成果:

• 观察到并持续显著减少了脑下液 (SRF),纤维血管色素上皮质脱落 (fvPED) 和胸腔体积.
• 中央视网膜厚度 (CRT) 从基线显著降低到九个月.
• 中位注射间隔增加了60%,视力敏度稳定,基线CRT和fvPED与BCVA改善相关.

结论:

• 人工智能驱动的生物标志物细分提供了对耐治疗的nAMD的精确,可扩展的监测.
• 法里西马布显示显著的解剖改善,并允许延长治疗间隔.
• 深度学习算法为治疗反应和疾病稳定性提供了关键的见解.