使用光学相干断层扫描衍生的视野估计检测青光眼恶化

快速阅读: 据《Nature.com》最新报道，本研究开发了一种机器学习模型，将横截面光学相干断层扫描（OCT）数据转化为视野（VF）平均偏差（MD），并评估其检测视野进展的能力。结果显示，尽管模型的平均绝对误差（MAE）为1.62 dB，优于以往模型，但在检测视野恶化方面仍不及单独的VF-MD数据。未来模型需将OCT-MD的MAE降至1.00 dB以下，才能在临床上有效检测视野恶化。

（注：已将文中英文全部翻译为中文）

多项青光眼研究试图利用横截面光学相干断层扫描（OCT）数据来估算视野（VF）平均偏差（MD），然而，这些模型是否有助于检测纵向视野进展尚不清楚。我们通过开发一个机器学习（ML）模型，将OCT数据转化为MD，并评估该模型检测纵向恶化的能力。在本研究中，我们创建了一个包含70,575对OCT/VF的数据集，以训练ML模型将OCT转换为VF-MD。我们另外构建了一个独立的进展数据集，包括4,044只眼睛，每只眼睛至少有5对OCT/VF，用于评估基于OCT衍生MD检测恶化的效能。进展数据集中的眼睛还有两个额外的未配对VF（总数≥7），用于确定由MD斜率定义的“真实”进展速率。我们利用ML模型为进展数据集中每只眼睛的每次OCT扫描生成纵向OCT-MD估计值。我们计算了在用OCT-MD替代或补充VF-MD后的MD斜率，并测量了检测进展的能力。

我们使用真实进展者的实际MD斜率<0.5 dB/年（基于至少7次VF-MD测量值）作为标记标准。由于我们发现OCT-MD替换的曲线下面积（AUC）在统计上劣于VF-MD，我们模拟了降低OCT-MD平均绝对误差（MAE）对检测恶化情况的影响。我们的模型OCT-MD估计的MAE为1.62 dB（优于所有先前发布的模型）。然而，我们发现部分OCT-MD替换后，MD斜率的AUC显著低于VF-MD斜率。无论MAE如何变化，补充VF-MD与OCT-MD都不能提升AUC。我们发现，OCT-MD估计需要MAE≤1.00 dB，才能使AUC在统计上与单独的VF-MD相当。 总体来说，我们的ML模型将OCT数据转换为VF-MD时的误差水平低于先前的研究成果，并且在基于趋势的视野进展检测方面不如VF-MD数据。我们的数据显示，未来的模型在将OCT数据转换为VF-MD时，必须达到更好的预测误差（MAE≤1 dB），才能在检测视野恶化方面具有临床意义。

(以上内容均由Ai生成)