在地理缩中评估视网膜敏感性丧失的进展,使用基于机器学习的结构功能相关性 (OMEGA 2)

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:

• 与年龄相关的黄斑变性 (AMD) 相继的地理缩 (GA) 会导致视力丧失.
• 在GA中预测视网膜敏感性丧失对于监测疾病进展和评估治疗至关重要.
• 目前用于评估视网膜敏感性的方法可能耗时且资源密集.

研究的目的:

• 评估机器学习模型来预测GA中的视网膜敏感性.
• 用观察数据与推断数据来比较敏感性丧失的进展.
• 评估不同预测模型的准确性和变化减少.

主要方法:

• 研究了30名GA患者 (37只眼睛),在多个时间点接受了微观测量和SD-OCT.
• 一个深度学习算法细分了视网膜层.
• 随机森林,LASSO回归和MARS模型在三个场景中预测了视网膜敏感性:未知患者,已知的患者在以后的访问中,以及访问内插值.

主要成果:

• 随机森林模型在所有场景中实现了最高的预测准确性 (MAE:未知为3.67dB,已知为2.96dB,插曲为3.10dB).
• 与观察数据相比,推断的灵敏度数据显著降低了变异性 (剩余差异:2.72 dB2与8.67 dB2).
• 患者特异性基线数据改善了后续访问的模型准确性.

结论:

• 机器学习模型,特别是随机森林,对于预测GA中的视网膜敏感性是有效的.
• 推断灵敏度映射可以作为临床试验的可靠,高分辨率的替代终点.
• 这种方法减少了在AMD研究中需要进行广泛的心理物理测试的需要.