一个神经网络用于预测视觉敏度从玻璃切除术和皮肤剥离获得的以皮膜膜的视觉敏度

科学领域:

• 眼科医生 眼科 眼科
• 人工智能在医学中的应用
• 视网膜外科手术 视网膜外科手术

背景情况:

• 许多患者经历了视网膜 (ERM) 手术后视觉敏度 (VA) 的改善 (帕斯普拉纳视切除术和膜剥离).
• 确定可能在手术前受益的患者对于临床决策至关重要.

研究的目的:

• 开发和验证一个神经网络,用于预测ERM患者的术后VA改善.
• 为了利用术前临床因素和光学连贯性断层扫描 (OCT) 成像进行预测.

主要方法:

• 对423名患者的427只眼睛进行了回顾性研究,这些患者接受了因异常ERM而进行的帕斯普拉纳视切除术 (PPV).
• 训练了一个混合神经网络,结合了多层感知子 (临床因素) 和卷积神经网络 (OCT图像).
• 数据集分为培训,验证和测试集;消去研究评估了因素的重要性.

主要成果:

• 使用临床因素的神经网络获得了最高的精度 (0.74),灵敏度为0.82和特异性为0.67.
• 关键预测因素包括年龄,手术前的透镜状况,手术前的VA和手术方法 (法科维特利切除术与玻璃切除术).
• 单独的图像分析 (ResNet18) 或与临床因素相结合显示出较低的预测准确性.

结论:

• 开发的神经网络有效地预测了大约75%的ERM患者的VA改善.
• 这种人工智能驱动的方法支持个性化治疗策略和手术决策.
• 建议使用更大的数据集进行进一步的研究,以提高准确性和通用性.