基于 AI 的视盘稳健性临床评估取代生物力学测试
图像与视频处理
2022-06-13 v1 计算机视觉与模式识别
机器学习
摘要
目的：利用人工智能（AI）来：（1）从相对大的人群中挖掘视盘（ONH）的生物力学知识；（2）从单次 ONH 光学相干断层扫描（OCT）评估 ONH 稳健性；（3）识别使给定 ONH 稳健的关键三维（3D）结构特征。设计：回顾性横断面研究。方法：316 名受试者在通过眼动力学方法急性升高眼内压（IOP）前后接受 ONH 的 OCT 成像。随后将 IOP 诱导的筛板变形以 3D 方式映射并用于 ONH 分类。筛板变形大于 4% 者视为脆弱，小于 4% 者视为稳健。从这些数据中学习，我们比较了三种 AI 算法以仅从基线（未变形）OCT 体数据预测 ONH 稳健性：（1）随机森林分类器；（2）自动编码器；（3）动态图 CNN（DGCNN）。后一种算法还使我们能识别使给定 ONH 稳健的关键 3D 结构特征。结果：所有 3 种方法均能仅从 3D 结构信息预测 ONH 稳健性，且无需进行生物力学测试。DGCNN（受试者工作曲线下面积 [AUC]：0.76 0.08）优于自动编码器（AUC：0.70 0.07）和随机森林分类器（AUC：0.69 0.05）。有趣的是，为评估 ONH 稳健性，DGCNN 主要使用了巩膜管与筛板插入位点的信息。结论：我们提出了一种 AI 驱动的方法，可仅从单次 ONH 的 OCT 扫描评估给定 ONH 的稳健性，且无需进行生物力学测试。纵向研究应确定 ONH 稳健性是否有助于识别视野快速丧失进展者。
引用
@article{arxiv.2206.04689,
title = {AI-based Clinical Assessment of Optic Nerve Head Robustness Superseding Biomechanical Testing},
author = {Fabian A. Braeu and Thanadet Chuangsuwanich and Tin A. Tun and Alexandre H. Thiery and Tin Aung and George Barbastathis and Michaël J. A. Girard},
journal= {arXiv preprint arXiv:2206.04689},
year = {2022}
}