预测即将转化为排泄性与年龄相关的黄斑退化,使用多模式数据和整体机器学习

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:

• 与年龄相关的斑点退化 (eAMD) 是不可逆转的中心视力丧失的主要原因.
• 早期识别患有eAMD转换高风险的患者对于及时治疗和改善患者结果至关重要.

研究的目的:

• 开发和比较经典的机器学习 (ML) 和深度学习 (DL) 模型,以预测六个月内即将发生的eAMD转换.
• 将光学连贯断层扫描 (OCT) 成像与临床数据集成到一个单一的预测模型中.

主要方法:

• 一个回顾性队列研究,利用光谱域OCT体积和临床数据 (年龄,视力敏度,性别,同眼状态) 来自患有eAMD的患者.
• 开发和比较ResNet-50,随机森林和XGBoost模型来预测eAMD转换.
• 创建一个多式联网深度学习模型 (MLP),整合了OCT特征和临床数据.

主要成果:

• 基于DL (ResNet-50) 架构的表现最好的模型实现了0.76 (MLP多式联网) 和0.75 (CNN OCT) 的运行特征曲线 (AUC) 下的面积.
• 结合OCT和临床数据的多式模式在预测第一眼和全眼转换方面表现优于OCT单独模型.
• 多模式MLP模型的AUC为0.76 (95%CI:0.71-0.80),超过了CNN OCT模型 (AUC:0.75,95%CI:0.70-0.79) 的AUC.

结论:

• 在OCT卷上训练的3D深度学习模型可以有效地预测即将发生的eAMD转换.
• 将临床数据与OCT成像集成进一步提高了这些深度学习模型的预测性能.
• 这些预测模型具有作为查工具的潜力,以优先考虑需要紧急视网膜护理的患者,等待未来的验证.