深度学习通过未分割的3D OCT卷来区分乳头,NAION和健康的眼睛
David Szanto1, Jui-Kai Wang2, Brian Woods3
1From the Department of Ophthalmology (D.S., M.J.K.), Icahn School of Medicine at Mount Sinai, New York, Texas, USA.
American journal of ophthalmology
|May 30, 2025
概括
深度学习模型可以使用光学连贯断层扫描 (OCT) 扫描,准确地区分非动脉炎前部缺血性视觉神经病变 (NAION) 和皮囊与健康的眼睛. 全3D OCT卷为这些视神经疾病提供了最强大的诊断能力.
科学领域:
- 眼科和医学成像学
- 医疗保健中的人工智能
- 神经眼科神经眼科
背景情况:
- 区分视神经头部 (ONH) 胀的原因,如非动脉炎前部缺血性视神经病变 (NAION) 和 papilledema,具有临床意义.
- 之前的深度学习 (DL) 模型已经成功地使用了 fundus 照片,但没有完全利用 3D 光学连贯断层扫描 (OCT) 卷.
- 特定的ONH和外皮皮质视网膜 (PPR) OCT特征可以区分NAION和 papilledema.
研究的目的:
- 开发和验证使用3D OCT体积的DL方法,以可靠地区分NAION, papilledema和健康的眼睛.
- 评估DL模型的诊断性能,使用整个OCT体积,PPR和ONH区域分别进行诊断.
主要方法:
- 对4619个光谱域ONH OCT扫描从1539只眼睛 (NAION, papilledema,健康) 的回顾性审查进行了内部验证.
- 对742只眼睛的1663张扫描进行了外部验证.
- 三个ResNet 3D-18模型进行了微调:整个OCT卷,只有PPR,只有ONH.
主要成果:
- 使用整个OCT扫描的模型在内部实现了94.9%的准确性,在外部达到90.1%,具有高AUC-ROC (0.986内部,0.977外部) 和F1分数.
- 仅使用PPR模型的表现强 (内部准确率为94.2%,AUC-ROC为0.966).
- 只有ONH的模型在内部实现了85.0%的准确性,AUC-ROC为0.965.
结论:
- 使用全ONH OCT扫描的DL模型是一种强大的工具,用于区分胀的ONH的原因.
- 无论是ONH和PPR区域都有助于区分这些视神经疾病.
- 自动化DL方法在协助诊断获得的光盘胀方面显示出显著的潜力.
