基于OCT和OCT血管成像的深度学习辅助AMD分期
本研究利用深度学习模型，基于OCT和OCTA数据自动对年龄相关性黄斑变性（AMD）严重程度进行分期。在271名参与者中，分析了三种模型：基于生物标志物图谱的模型、2D en face投影模型和3D体积模型。所有模型均表现良好，其中基于生物标志物的模型综合性能最佳，QWK达0.85，尤其在早期AMD检测方面表现突出。
一项新研究探索了利用深度学习模型自动对年龄相关性黄斑变性（AMD）进行分期的潜力。该研究基于光学相干断层扫描（OCT）和OCT血管成像（OCTA）数据，开发了三种不同的深度学习模型，并评估了它们的性能。
研究共纳入271名50岁及以上的参与者，这些参与者具有不同程度的AMD严重性。所有参与者均使用扫频源OCTA系统（SOLIX; Visionix/Optovue Inc., CA）进行中央黄斑6x6毫米OCT/OCTA容积扫描。AMD严重程度根据AREDS简化严重性量表分为四个阶段：无AMD、早期AMD、中期AMD和晚期AMD。
研究人员开发了三种模型，分别基于不同的输入模态：（1）基于分割病理特征的生物标志物图谱，包括视网膜液、玻璃膜疣、地图样萎缩（GA）和黄斑新生血管（MNV）；（2）二维（2D）en face OCT和OCTA投影；（3）三维（3D）OCT/OCTA容积数据。所有模型均采用基于EfficientNet的架构，并使用归一化输入、数据增强和五折交叉验证进行训练。
总共分析了来自271名参与者351只眼睛的2,030个OCT/OCTA容积数据。结果显示，所有模型均表现出强大的AMD分期能力，与参考标准具有高度一致性（二次加权卡帕系数QWK≥0.83）。其中，基于生物标志物的模型取得了最高的总体性能（QWK = 0.85 ± 0.03，均值±标准差），并且在早期AMD检测方面表现最佳（F1分数 = 0.59 ± 0.14）。3D模型的性能与2D OCT/OCTA模型相当（QWK分别为0.83 ± 0.04和0.83 ± 0.09），而2D OCT/OCTA模型具有最高的精确度（0.79 ± 0.06），并且最准确地识别了无AMD的眼睛。
研究表明，基于OCT/OCTA数据的深度学习模型能够准确、自动地对AMD严重程度进行分级。在评估的三种方法中，基于生物标志物的模型提供了最平衡的性能，并在早期AMD检测方面显示出特别的价值。这一技术有望在临床实践中辅助医生进行AMD的筛查和诊断，尤其是在早期阶段及时干预。