基於OCT和OCT血管成像的深度學習輔助AMD分期
本研究利用深度學習模型，基於OCT和OCTA資料自動對年齡相關性黃斑變性（AMD）嚴重程度進行分期。在271名參與者中，分析了三種模型：基於生物標誌物圖譜的模型、2D en face投影模型和3D體積模型。所有模型均表現良好，其中基於生物標誌物的模型綜合效能最佳，QWK達0.85，尤其在早期AMD檢測方面表現突出。
一項新研究探索了利用深度學習模型自動對年齡相關性黃斑變性（AMD）進行分期的潛力。該研究基於光學相干斷層掃描（OCT）和OCT血管成像（OCTA）資料，開發了三種不同的深度學習模型，並評估了它們的效能。
研究共納入271名50歲及以上的參與者，這些參與者具有不同程度的AMD嚴重性。所有參與者均使用掃頻源OCTA系統（SOLIX; Visionix/Optovue Inc., CA）進行中央黃斑6x6毫米OCT/OCTA容積掃描。AMD嚴重程度根據AREDS簡化嚴重性量表分為四個階段：無AMD、早期AMD、中期AMD和晚期AMD。
研究人員開發了三種模型，分別基於不同的輸入模態：（1）基於分割病理特徵的生物標誌物圖譜，包括視網膜液、玻璃膜疣、地圖樣萎縮（GA）和黃斑新生血管（MNV）；（2）二維（2D）en face OCT和OCTA投影；（3）三維（3D）OCT/OCTA容積資料。所有模型均採用基於EfficientNet的架構，並使用歸一化輸入、資料增強和五折交叉驗證進行訓練。
總共分析了來自271名參與者351隻眼睛的2,030個OCT/OCTA容積資料。結果顯示，所有模型均表現出強大的AMD分期能力，與參考標準具有高度一致性（二次加權卡帕係數QWK≥0.83）。其中，基於生物標誌物的模型取得了最高的總體效能（QWK = 0.85 ± 0.03，均值±標準差），並且在早期AMD檢測方面表現最佳（F1分數 = 0.59 ± 0.14）。3D模型的效能與2D OCT/OCTA模型相當（QWK分別為0.83 ± 0.04和0.83 ± 0.09），而2D OCT/OCTA模型具有最高的精確度（0.79 ± 0.06），並且最準確地識別了無AMD的眼睛。
研究表明，基於OCT/OCTA資料的深度學習模型能夠準確、自動地對AMD嚴重程度進行分級。在評估的三種方法中，基於生物標誌物的模型提供了最平衡的效能，並在早期AMD檢測方面顯示出特別的價值。這一技術有望在臨床實踐中輔助醫生進行AMD的篩查和診斷，尤其是在早期階段及時干預。