基于Anterion扫描源OCT图像的新植入式粘合镜镜片大小算法的验证
Pierre Zéboulon1, Nicole Mechleb1, Maria Rizk1
1Rothschild Foundation Hospital, Department of anterior and refractive surgery 25 rue manin 75019 Paris France.
Journal of cataract and refractive surgery
|August 19, 2025
概括
一个新的深度学习模型使用OCT图像准确地测量植入式接头镜头 (ICL) 的尺寸,优于传统方法并改善患者的治疗结果. 这种AI工具有助于外科医生做出更好的ICL大小决定.
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:
- 植入式膜透镜 (ICL) 的精确尺寸对于最佳的折射结果和患者满意度至关重要.
- 目前的ICL大小测量方法可能有局限性,可能导致低于最佳的顶和折射结果.
研究的目的:
- 评估一种新的深度学习 (DL) 模型,用于预测ICL大小,使用原始Swept-Source光学连贯断层扫描 (OCT) 图像.
- 为了比较DL模型的性能与ICL大小测量的标准STAAR nomogram.
主要方法:
- 在两个欧洲诊所进行了一项追溯的外部验证研究.
- 分析了848只眼睛 (429名患者) 的术前OCT图像,这些眼睛都植入了EVO ICL V4.
- DL模型预测了ICL密室,信心水平,以及与实际术后密室相比,实现250-750微米密室 (P250-750) 的概率.
主要成果:
- 与STAAR名图 (186 ± 149 μm; p < 0.001) 相比,DL模型显示了较低的平均绝对误差 (MAE) (146 ± 113 μm).
- 该模型实现了高准确度,预测顶在±250微米 (81.7%) 和±300微米 (90.7%) 范围内.
- 对于在所需的顶范围之外的情况,该模型在70.6%的案例中建议更合适的尺寸,并在81.8%的镜头更换案例中与最终尺寸保持一致.
结论:
- 基于DL的ICL大小模型使用原始OCT图像准确预测术后的.
- 该模型提供了P250-750等有价值的指标,有助于临床决策,并可能减少尺寸错误.
- 这种由人工智能驱动的方法显示出改善ICL手术患者结果的希望.
