.png){kind=icon}
返回
Sequential Deep Learning for predicting Geographic Atrophy Progression from OCT Imaging
.png){kind=icon}
PRE
AI
DOI：10.1117/12.3078264.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
地理性萎缩，一种导致不可逆视力丧失的年龄相关性黄斑变性晚期形式，需要准确的进展预测以优化新兴疗法。本研究探讨了时序深度学习模型能否直接从纵向光学相干断层扫描影像中预测地理性萎缩进展，而无需手动病灶分割。利用2013-2023年的回顾性影像数据，我们将个体体积编码为访视级特征，并将其建模为时序序列，以预测两年窗口内的两个临床关键转变：从无萎缩到疾病发生的进展，以及从非中心到中心黄斑受累的进展。我们系统性地比较了循环神经网络、长短期记忆网络和Transformer架构，采用患者级数据分割。循环模型在预测疾病发生方面表现稳健，而Transformer模型在更具有挑战性的中心进展任务中表现最佳。这种注解极简框架表明，从常规收集的影像数据中预测地理性萎缩进展具有临床可行性，能够实现更早的风险分层和增强的疗法决策制定。
Keyword:
Geographic Atrophy
Deep Learning
Optical Coherence Tomography
Sequential modeling
Age-related Macular Degeneration
Temporal analysis
LSTM
Transformers
期刊
O
IF:
0
论文数:
30
被引数:
0
机构
引用论文
暂无论文信息