Vetrina dei prodotti per l'occhio secco 2023
Jul 17, 2023Scanner laser 3D
May 25, 20235 fattori da considerare quando si acquistano gli occhiali da sole
Oct 21, 2023Un modello di deep learning che incorpora informazioni spaziali e temporali rileva con successo il peggioramento del campo visivo utilizzando un approccio basato sul consenso
Aug 23, 2023Un modello di deep learning che incorpora informazioni spaziali e temporali rileva con successo il peggioramento del campo visivo utilizzando un approccio basato sul consenso
Jun 28, 2023Diagnosi del glaucoma mediante multi
Rapporti scientifici volume 12, numero articolo: 8064 (2022) Citare questo articolo
4069 accessi
8 citazioni
2 Altmetrico
Dettagli sulle metriche
In questo studio, abbiamo mirato a facilitare l'attuale valutazione diagnostica del glaucoma analizzando molteplici caratteristiche e introducendo una nuova caratteristica della testa del nervo ottico (ONH) in sezione trasversale dalle immagini della tomografia a coerenza ottica (OCT). I dati (n = 100 sia per il glaucoma che per il controllo) sono stati raccolti sulla base di fattori strutturali, funzionali, demografici e di rischio. Le funzionalità sono state analizzate statisticamente e le quattro funzionalità più significative sono state utilizzate per addestrare algoritmi di machine learning (ML). Due algoritmi ML: deep learning (DL) e regressione logistica (LR) sono stati confrontati in termini di accuratezza della classificazione per il rilevamento automatizzato del glaucoma. Le prestazioni dei modelli ML sono state valutate su dati di test invisibili, n = 55. È stato quindi eseguito uno studio pilota di segmentazione delle immagini su scansioni OCT trasversali. L'area della coppa ONH è stata estratta, analizzata e un nuovo modello DL è stato addestrato per la previsione del glaucoma. Il modello DL è stato stimato utilizzando una convalida incrociata cinque volte e confrontato con due modelli pre-addestrati. Il modello DL addestrato dalle caratteristiche ottimali ha ottenuto prestazioni diagnostiche significativamente più elevate (area sotto la curva caratteristica operativa del ricevitore (AUC) 0,98 e accuratezza del 97% sui dati di validazione e del 96% sui dati di test) rispetto agli studi precedenti per il rilevamento automatizzato del glaucoma. Anche il secondo modello DL utilizzato nello studio pilota ha mostrato risultati promettenti (AUC 0,99 e accuratezza del 98,6%) per rilevare il glaucoma rispetto a due modelli pre-addestrati. Insieme, il risultato dei due studi suggerisce fortemente che le quattro caratteristiche e l'area trasversale della coppa ONH addestrata utilizzando il deep learning hanno un grande potenziale per l'uso come strumento di screening iniziale per il glaucoma che aiuterà i medici a prendere una decisione precisa.
Il glaucoma è una neuropatia ottica potenzialmente cieco con una varietà di eziologie sottostanti caratterizzate dalla perdita di cellule gangliari retiniche (RGC). È caratterizzata clinicamente da cambiamenti anatomici della testa del nervo ottico (ONH), principalmente assottigliamento e incurvamento posteriore dei fogli della lamina cribrosa visti clinicamente come coppettazione dell'ONH1. L'individuazione e il monitoraggio della neuropatia ottica glaucomatosa dipendono da diverse caratteristiche cliniche che vengono osservate e valutate prima di prendere una decisione clinica2. Attualmente, la diagnosi e il monitoraggio del glaucoma richiedono una visita oculistica completa, ulteriori test e la raccolta di una serie di dati, che possono essere difficili da interpretare. Inoltre, esiste una significativa sovrapposizione nelle caratteristiche oculari dei soggetti normali e dei pazienti con glaucoma iniziale. Per questi motivi, c’è interesse nello sviluppo di tecniche complementari – come i sistemi di intelligenza artificiale (AI)3 – per aiutare a distinguere la vera patologia dalla variabilità normale e la vera progressione dalla variabilità inter-test.
A seguito della recente implementazione dell'intelligenza artificiale in oftalmologia, sono stati studiati e sviluppati diversi algoritmi di apprendimento automatico (ML) per il rilevamento automatizzato del glaucoma in grado di elaborare rapidamente le immagini retiniche e rilevare con precisione il danno glaucomatoso nei test patologici rispetto ai metodi convenzionali. Il rilevamento automatizzato del glaucoma utilizzando algoritmi ML più semplici o avanzati di deep learning (DL), principalmente da immagini oculari, è stato ampiamente studiato con risultati variabili. La maggior parte degli algoritmi DL addestrati dalle immagini del fondo oculare e OCT eseguono due passaggi comuni; segmentazione della regione di interesse e classificazione degli occhi glaucomatosi e non glaucomatosi. Nelle fasi iniziali, le fotografie del fondo oculare sono state ampiamente utilizzate per valutare e rilevare il glaucoma utilizzando tecniche di intelligenza artificiale4,5,6,7,8. Ting et al.9 hanno addestrato un modello DL su 71.896 fotografie convalidate del fondo retinale per rilevare un possibile glaucoma riferibile con un'AUC di 0,942.
Inoltre, Asaoka et al.10 hanno applicato un modello di apprendimento del trasferimento alle immagini OCT maculari e ne hanno valutato le prestazioni diagnostiche su un set di dati indipendente costituito da occhi normali e occhi glaucomatosi a esordio precoce. L'AUC del modello era 0,93, un valore significativamente maggiore rispetto ad altri metodi ML come Support Vector Machine (SVM) e Random Forest (RF). An et al.11 hanno addestrato sia le immagini del fondo oculare che quelle OCT utilizzando il modello VGG19 per distinguere gli occhi glaucomatosi da quelli normali e hanno raggiunto un'AUC di 0,94 per il fondo oculare e un'AUC di 0,94 per quattro caratteristiche delle immagini OCT, e la combinazione di tutte le immagini ha raggiunto un'AUC di 0,96.