相关实验视频
Updated: Jan 15, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
22.2K
基于人口的队列中的RNFL厚度:加拿大关于衰老的纵向研究M2M (机器对机器) 研究
Ali Azizi1, Douglas R da Costa1, Rafael Scherer1
1Bascom Palmer Eye Institute, University of Miami, Miami, Florida, USA.
American journal of ophthalmology
|October 6, 2025
概括
一个深度学习模型准确地估计了视网膜神经纤维层 (RNFL) 厚度从一个大型加拿大研究中的 fundus 照片. 更薄的RNFL与老年和自我报告的玻璃眼有关.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 老年学是指老年学的学科.
背景情况:
- 视网膜神经纤维层 (RNFL) 厚度是视神经健康的关键指标,通常使用光学连贯断层扫描 (OCT) 进行评估.
- 从底部照片中估计RNFL厚度为大规模研究提供了潜在的更容易获得的方法.
研究的目的:
- 在加拿大长度老龄化研究 (CLSA) 中评估与RNFL厚度相关的因素.
- 评估机器对机器 (M2M) 深度学习模型的实用性,用于从底部照片中估计RNFL厚度.
主要方法:
- 一项涉及28114名年龄在45-85岁之间的CLSA参与者的横截面研究,具有可分级的 fundus 照片.
- 在OCT数据上训练的M2M深度学习模型应用于 fundus 图像以估计 RNFL 厚度.
- 线性回归模型分析了M2M预测的RNFL厚度与年龄,性别,种族/种族以及自我报告的玻璃眼之间的关联,调整为共变量.
主要成果:
- M2M模型提供了可靠的RNFL厚度估计 (平均90.9±9.2微米).
- RNFL厚度与年龄相反相关 (β = -0.11; p < .001),并且在自我报告的大眼的参与者中显著较薄 (82.6 ± 12.9 μm vs 91.4 ± 8.7 μm; p < .001).
- 在女性中观察到较大的RNFL厚度,并且在种族/种族群体之间存在差异 (p < .001).
结论:
- M2M深度学习模型有效地从大量人群中的 fundus 照片中估计了 RNFL 厚度.
- 结果证实了RNFL厚度,年龄和青光眼状况之间的关联,与基于OCT的研究一致.
- 在流行病学研究中,M2M模型显示了可扩展结构评估的前景.
