机构名称：
¥ 1.0
Garway-Heath 图依赖于对照片上可见 RNFL 缺损的主观检测。然而，实验和临床研究表明，仅当 RNFL 丢失了很大一部分时才会出现此类缺损。3、4 此外，由于研究中可用的眼睛数量有限，以及难以在视神经周围某些区域可视化 RNFL 缺损，某些地形关系可能未被充分重视。使用频域光学相干断层扫描 (SDOCT) 对 RNFL 进行成像能够提供可重复的定量 RNFL 评估，其评估程度远远高于评估无红 RNFL 照片。许多先前的研究已经评估了 SDOCT 和 SAP 之间的关系。5 – 7 但是，鉴于这些测试提供的数据量巨大，可能很难应用传统的统计工具来充分模拟相关的 SF 关系。最近，神经网络和其他人工智能 (AI) 算法已被证明能够成功地模拟来自各个医学领域的数据中复杂的非线性关系。8 – 12 特别是，卷积神经网络 (CNN) 能够利用空间信息来识别传统方法可能不易辨别的潜在关系。一些研究尝试使用 AI 算法来预测 SDOCT 测量的视野结果，并取得了良好的效果。13 – 16 在一项研究中，Guo 等人 13 表明，可以根据 RNFL 和神经节细胞和内丛状层厚度合理地预测 SAP 敏感度阈值。使用视神经乳头和黄斑的 SDOCT 体积扫描，Maetschke 等人 14 能够预测视野全局指标，例如平均偏差和视野指数。这些研究一般关注的是 SAP 敏感度阈值、预定义扇区或全局指标能否很好地通过 SDOCT 数据进行近似，但没有评估结构损伤和功能损伤之间的地形映射和空间关系，这本身就是另一个重要问题。我们假设，一旦训练了 AI 模型来预测 SAP 敏感度阈值，就可以通过模拟不同特征的 RNFL 缺陷并观察它们对 SAP 结果的影响来获得 SF 关系的地形信息。这将使我们能够更全面地研究 SDOCT 上看到的结构损伤对 SAP 测量的视觉功能的影响。为此，在本研究中，我们开发并验证了一种 CNN，它可以从大量青光眼和青光眼临床患者中的视乳头周围 SDOCT RNFL 厚度测量值预测 SAP 敏感度阈值。
特刊 青光眼结构与功能人工智能映射
主要关键词
相关文件推荐
