机器学习技术的诊断性能使用光学一致性断层图像在视网膜疾病呈现与子视网膜液体

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:

• 视网膜下液是几种视网膜疾病的共同特征.
• 区分中央血清性胆色素变异症 (CSC),多性胆色素血管变异症 (PCV) 和Vogt Koyanagi Harada (VKH) 可能是一个挑战.
• 光学连贯断层扫描 (OCT) 对于可视化视网膜结构至关重要.

研究的目的:

• 评估机器学习 (ML) 模型的诊断性能.
• 要区分三种主要的视网膜疾病与子视网膜液:CSC,PCV和VKH.
• 利用光学连贯断层扫描 (OCT) 图像用于基于ML的诊断.

主要方法:

• 在259名患有CSC,PCV,VKH和108名对照患者的OCT扫描上训练有素的ML模型.
• 评估了三种ML方法:所有扫描,一线横断的焦点图像,以及结合的红外/OCT图像.
• 使用精度,回忆,F1得分,精度和曲线下的面积 (AUC) 报告的性能.

主要成果:

• 最好的性能是通过使用一线横向fovea OCT图像与红外照片相结合而取得的.
• 这种方法产生了0.965的AUC,准确率为87.10%.
• 报告的精度,回忆和F1分数分别为88.43%,87.19%和87.18%.

结论:

• 开发了一种新的ML模型,使用OCT图像来区分CSC,PCV和VKH.
• 一线OCT和红外成像的结合表明了卓越的诊断能力.
• 这种方法突出了潜在的成像生物标志物,以改善差异诊断.