从OCT图像中自动学习眼视野,使用全面的,无细分的3D卷积神经网络模型

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 青光眼的诊断依赖于视野 (VF) 测试,这可能是耗时和主观的.
• 光学连贯断层扫描 (OCT) 提供了视网膜的详细结构信息.
• 将OCT成像与AI整合,为眼评估提供了一种新的方法.

研究的目的:

• 开发和评估一个无细分的3D卷积神经网络 (3DCNN) 模型,用于使用OCT图像估计青光眼患者的视野参数.
• 为了比较在不同数据集上训练的模型的性能:青光眼特定培训组 (GTG) 与综合培训组 (CTG).

主要方法:

• 在大学医院使用来自6335名参与者的OCT图像 (12,325只眼睛) 来训练一个无分割的3DCNN模型.
• 使用了两个培训组:GTG (针对青光眼的特定) 和CTG (包括包括各种眼睛疾病在内的综合).
• 模型性能通过估计VF值和平均偏差 (MD) 使用汉弗里场分析仪 (HFA) 24-2和HFA 10-2测试模式来评估.

主要成果:

• 在估计HFA 24-2和HFA 10-2的VF值和MD方面,CTG模型显著优于GTG模型 (p < 0.001).
• 在CTG模型中,在估计和实际的VF值和MD之间观察到强烈的相关性 (Pearson的r在0.878到0.944之间).
• 在CTG模型中,估计误差较低,特别是在严重的青光眼病例中,并且即使在晚期也保持稳定的性能.

结论:

• 没有手动预选择的全面,多样化的培训数据集,可以在基于人工智能的OCT图像视野估计中提供卓越的性能.
• 开发的3DCNN模型表现出高准确性和稳定性,显示出改善临床实践中青光眼评估和监测的巨大潜力.
• 未来的研究应该专注于外部验证和在各种临床环境中的应用,以确认该模型的广泛实用性.