在与年龄相关的黄斑变性中检测损伤,采用多模式成像和机器学习方法

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) 是中枢视力丧失的主要原因.
• 目前的视觉功能评估,如微波测量,对于患者来说可能是漫长而令人疲的.
• 针对特定的视网膜损伤区域可以优化测试效率和患者舒适度.

研究的目的:

• 开发和验证一种机器学习 (ML) 方法来识别与年龄相关的黄斑变性 (AMD) 病变.
• 评估本ML方法在创建目标微波测量协议方面的潜力.
• 为了减少在AMD视觉功能测试中的诊断时间和患者负担.

主要方法:

• 使用多模态成像数据开发了一个机器学习模型.
• 该数据集包括来自色底,红外,OCT和OCT血管图像的344,003个区域.
• 一个渐变增强的树集模型被训练用于病变检测.

主要成果:

• 该ML模型实现了接收器操作特征曲线下的面积为0.95.5.
• 该模型在区分病变区域与健康的视网膜区域方面表现出高准确性.
• 该方法成功检测了慢性AMD的末期病变.

结论:

• 开发的ML方法有效地使用多模式成像检测AMD病变.
• 这种技术对生成有针对性的微观测量测试模式显示出希望.
• 这种方法有可能减少测试时间和患者疲劳,提高临床评估.