使用条件变化自编码器对基线视网膜神经纤维层厚度的个体化估计.
Ou Tan1, Keke Liu1,2, Aiyin Chen1
1Casey Eye Institute, Oregon Health & Science University, Portland, Oregon.
Ophthalmology science
|August 13, 2025
概括
生成型深度学习模型创建个性化的神经纤维层厚度配置文件. 这种人工智能方法提高了检测变薄的准确性,特别是在近视眼中.
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:
- 神经纤维层厚度 (NFLT) 对于诊断青光眼至关重要.
- 准确的NFLT评估需要个性化的参考资料.
- 目前的方法可能缺乏精度,特别是在近视眼中.
研究的目的:
- 开发生成型深度学习 (DL) 模型,用于估计个性化的基线神经纤维层厚度 (NFLT) 概况.
- 为了将个体的眼部特征,包括血管模式,纳入NFLT估计.
- 为了提高NFLT评估和检测稀释的准确性.
主要方法:
- 一项采用香港FAMILY和凯西眼科研究所 (CEI) 队列数据的横截面研究.
- 生成DL模型经过训练,可以使用光谱域OCT数据,血管模式,轴长,折射误差和人口统计数据重建个性化的NFLT.
- 模型与人口平均值和多重线性回归 (MLR) 进行了比较,使用五倍交叉验证.
主要成果:
- 与人口平均值和MLR相比,DL模型显著降低了整体和象限NFLT的预测误差.
- 这些模型降低了在近视群体中识别异常NFLT稀释的错误阳性率 (从13.0%-27.0%降至6.3%-9.4%).
- 用CEI队列数据独立验证了预测误差的减少.
结论:
- 生成型DL模型可以使用OCT衍生的血管模式构建个性化的NFLT基线配置文件.
- 这些人工智能驱动的个性化基线可以减少健康眼睛的NFLT预测错误.
- 这种方法显示了提高检测异常NFLT稀释的精度的潜力,特别是在近视患者中.
