视神经缩与使用深度学习的3D非细分光学一致性断层相关的情况
David Szanto1, Jui-Kai Wang2, Brian Woods3,4
1Department of Ophthalmology, Icahn School of Medicine at Mount Sinai, New York.
JAMA ophthalmology
|August 21, 2025
概括
一个3D深度学习模型使用OCT扫描精确地区分光神经头部缩在青光眼,NAION和光神经炎. 这种自动化方法有助于诊断和临床治疗视神经病变.
科学领域:
- 眼科 眼科
- 医学成像
- 人工智能
背景情况:
- 精确区分视神经头部 (ONH) 缩对于诊断和管理诸如青光眼,非动脉炎前面缺血性视神经病 (NAION) 和视神经炎等疾病至关重要.
- 传统的二维评估可能会忽略暗示视力缩的细微体积变化.
研究的目的:
- 评估3D深度学习模型在光眼瘤,NAION,视神经炎和健康眼睛中区分光学缩的能力,使用非细分的ONH光学连贯性断层扫描 (OCT).
主要方法:
- 一项横截面研究分析了来自1382名患者的7014个Cirrus ONH OCT扫描 (眼光瘤,NAION,视神经炎,健康对照).
- 通过5倍交叉验证训练了三个ResNet-3D-18模型:全体积,仅周围毛囊区域 (PPR) 和仅ONH.
- 使用分类准确度,AUC-ROC,精度,回忆和F1分数来评估性能.
主要成果:
- 整体体积模型的准确度为88. 9% (AUC-ROC为0. 977),F1分数在0. 78 (视神经炎) 到0. 94 (眼球瘤) 之间.
- 仅使用PPR和ONH模型的准确度略低 (分别为85. 9%和87. 0%).
- 视神经炎是最难分类的,通常被错误分类为NAION或健康. 激活地图突出显示特定的视网膜层.
结论:
- 通过对未细分的OCT扫描进行深度学习分析,可靠地区分不同形式的视神经缩,并识别出细微的疾病特异性结构模式.
- 这种自动化方法可以支持视觉神经病的诊断工作和临床管理.
- 它可以补充较少标准化的成像方法和主观的临床评估.


