无监督机器学习分析光学连贯性断层扫描放射学特征,用于预测糖尿病黄斑的治疗结果

科学领域:

• 眼科医生 眼科 眼科
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 糖尿病黄斑 (DME) 对视力构成重大威胁.
• 在DME中预测抗血管内皮生长因子 (anti-VEGF) 治疗反应是具有挑战性的.
• 光学连贯性断层扫描 (OCT) 为分析提供了丰富的结构数据.

研究的目的:

• 根据治疗前的OCT放射性特征,在DME内识别出不同的患者子组.
• 调查这些小组是否对抗VEGF治疗有差异性反应.
• 探索放射学在DME个性化结果预测方面的潜力.

主要方法:

• 对234只用抗VEGF疗法治疗的DME眼睛进行了回顾性分析.
• 从预处理OCT图像中提取放射性特征.
• 无监督机器学习的应用 (主要组件分析,K-means,等级聚类) 用于患者分层.
• 多变量分析以确定治疗结果的预测因素.

主要成果:

• 使用无监督机器学习识别了四个不同的DME患者群.
• 一个集群 (集群4) 显示残留/复发性DME显著降低,治疗后最佳校正视敏度更高.
• 标记_gldm_DependenceVariance和Wavelet-LH_Firstorder_Mean分别被确定为DME复发和视觉结果的独立预测因素.

结论:

• 在治疗前的无监督机器学习上,OCT放射学可以有效地将DME患者分为临床上有意义的子组.
• 放射性特征显示为预测抗VEGF治疗反应和指导个性化治疗的非侵入性生物标志物具有前途.
• 这种方法可以通过允许量身定制的治疗策略来加强DME的管理.