通过深度学习使用多个光学相干断层扫描图像预测持续性中心性浆液性脉络膜视网膜病变

科学报告|(2022) 12:9335| https://doi.org/10.1038/s41598-022-13473-x1 打开预测持续性中央浆液性通过深度学习使用多个光学相干断层扫描图像的脉络膜视网膜病变Donghyun Jee1, Ji Hyun Yoon2, Ho Ra2, Jin-woo Kwon1 & Jiwon Baek2,3我们试图通过深度卷积神经网络 (CNN) 使用多个光学相干断层扫描 (OCT) 图像来预测中心性浆液性脉络膜视网膜病变 (CSC) 是否会在 6 个月后持续存在。这是一项多中心、回顾性、队列研究。从 832 名 CSC 患者的 832 只眼（593 只自行消退和 239执着的）。每个图像集和连接集被分为训练集（70%）、验证集（15%）和测试集（15%）。使用 ResNet50 CNN 架构进行训练和验证，以预测需要治疗的 CSC。使用测试集分析模型性能。 B 扫描、RT、视网膜中部、EZ 和脉络膜模式的预测准确度分别为 0.8072、0.9200、0.6480 和 0.9200。当连接具有高精度的图像集时，B-scan RT、B-scan EZ 和 EZ RT 的准确度分别为 0.9520、0.8800 和 0.9280。 OCT B-scan、RT 和 EZ en face 图像在使用 CNN 预测 CSC 预后方面表现出良好的性能。连接这些集合时，性能会有所提高。本研究结果可为CSC患者选择最佳治疗方案提供参考。中心性浆液性脉络膜视网膜病变 (CSC) 是一种常见的视网膜疾病，其特征是神经感觉视网膜的浆液性脱离。1.大多数 CSC 病例是特发性的，并在 3 至 4 个月内自发消退2.然而，该病在一些患者中是非消退的和慢性的，由于其多因素病因和复杂的发病机制，临床医生预测自然病程的预后以及该病是否会转为慢性并需要治疗的能力有限。光学相干断层扫描 (OCT) 图像提供有关 CSC 中发生的视网膜和脉络膜变化的广泛解剖信息。许多先前的研究报告说，这些特征性变化在 CSC 类型之间有所不同，并建议将这些特征用于 CSC 患者的预后。这些特征性变化的一些例子包括高反射脉络膜血管壁、光感受器外段和椭圆体区，以及脉络膜和黄斑厚度3.近年来，使用深度学习 (DL) 的人工智能已积极应用于视网膜成像的许多领域，包括糖尿病视网膜病变和年龄相关性黄斑变性 (AMD)6.当使用单个或多个 OCT B 扫描图像时，DL 已被证明可以区分急性和慢性 CSC9. OCT 成像系统不仅提供 B 扫描，还提供正面图像，提供有关整个黄斑区域的逐层信息。在目前的研究中，我们评估了使用多个 OCT 图像训练的 DL 模型对 CSC 预后的可行性以及该疾病是否会在 6 个月后持续存在。结果参与者的人口统计学和临床特征。总共有来自 832 名患者的 832 只眼睛被纳入研究（593 名自我解决病例和 239 名持续病例）。自我解决 CSC 组和持续 CSC 组的平均年龄分别为 52.00 ± 10.67 岁和 54.73 ± 11.93 岁（P = 0.014）。自我缓解组的平均基线 BCVA 和 6 个月时的 BCVA 更好（均 P < 0.001）。平均 CMT1韩国天主教大学医学院圣文森特医院眼科，韩国京畿道水原市。 2韩国天主教大学医学院富川圣母医院眼科，#327 Sosa-ro, Wonmi-gu, Bucheon, Gyeonggi-do 14647, Republic of Korea。 3韩国天主教大学医学院眼科，韩国首尔。电子邮件：md.jiwon@gmail.com 科学报告|(2022) 12:9335 |https://doi.org/10.1038/s41598-022-13473-x2特征自解决 CSC (n = 593)持续 CSC (n = 239)P值年龄（岁），平均值 ± SD52.00 ± 10.6754.73 ± 11.930.014性别男 ％）78790.797侧向性（右眼 %）46470.830SFCT (μm), 平均值 ± SD399.35 ± 79.27404.16 ± 91.40.565CMT (μm), 平均值 ± SD352.29 ± 113.92450.26 ± 182.78< 0.001基线 BCVA (logMAR)，平均值 ± SD0.14 ± 0.20.27 ± 0.27< 0.0016 个月时的 BCVA (logMAR)，平均值 ± SD0.08 ± 0.160.14 ± 0.21< 0.001表格1。研究参与者的人口统计学和临床信息。 CSC：中心性浆液性脉络膜视网膜病变； SD：标准差； SFCT：中心凹下脉络膜厚度； CMT：中央黄斑厚度； BCVA：最佳矫正视力； logMAR：最小分辨率角度的对数。准确性精确记起特异性F1分数卡帕平均值卡帕 SEB 扫描0.80720.73910.62960.89290.68000.7820.060视网膜厚度0.92000.91890.82930.96430.87180.8140.056视网膜中部0.64800.43480.24390.84520.31250.1000.087椭球区0.92000.91890.82930.96430.87180.8140.056脉络膜0.63200.27270.07320.90480.11540.0270.064表 2。使用每个 OCT 图像集训练的深度学习模型的性能以进行 CSC 预后。 OCT：光学相干断层扫描； CSC：中心性浆液性脉络膜视网膜病变； SE：标准误差。 F1 分数 = 2 ×{（精度×召回）/（精度召回）}。准确性精确记起特异性F1分数卡帕平均值卡帕 SEB 扫描视网膜厚度0.95200.94870.90240.97620.92500.72300.0670B 扫描 EZ0.88000.84210.78050.92860.81010.89000.0440EZ 视网膜厚度0.92800.8810.90240.94050.89160.83800.0520表3。使用级联 OCT 图像集训练的深度学习模型用于 CSC 预后的性能。 OCT：光学相干断层扫描； CSC：中心性浆液性脉络膜视网膜病变； SE：标准误差； EZ：椭球区。 F1 分数 = 2 × {（精确度 × 召回率）/（精确度召回率）}。持续组更高（P < 0.001）。性别分布、偏侧性和基线 SFCT 未显示组间显着差异（分别为 P = 0.920、0.836 和 0.585）。表 1 总结了这些临床特征。用于预测持续 CSC 的深度学习模型的性能。准确度值为90.36%、93.60%、73.60%。 B 扫描、视网膜厚度、视网膜中部、EZ 和脉络膜的 OCT 图像验证集分别为 96.00% 和 76.80%。对于测试集，B 扫描、视网膜厚度、视网膜中部、EZ 和脉络膜的准确率分别为 80.72%、92.00%、64.80%、92.00% 和 63.20%。 F1 分数分别为 0.6800、0.8718、0.3125、0.8718 和 0.1154。表 2 总结了每个模型的准确度、精确度、召回率、特异性、F1 分数和 kappa 值。在连接两个性能最高的图像集后，验证集的 B 扫描 EZ、B 扫描视网膜厚度和 EZ 视网膜厚度的准确率分别为 96.80%、86.40% 和 96.00%。对于测试集，每组的准确率分别为 95.20%、88.00% 和 92.80%。表 3 总结了使用级联图像训练的每个模型的准确度、精度、召回率、特异性、F1 分数和 kappa 值。Grad-CAM 的热图分析突出了浅层不规则色素上皮脱离 (PED) 区域和脱离视网膜下方反射率增加的区域作为 OCT B 扫描上的重要区域 (图 1)。此外，在 EZ 层的 OCT 正面图像上突出显示了有或没有外部视网膜缺陷的神经感觉视网膜脱离区域（图 2）。光学相干断层扫描血管造影可用于某些持续性 CSC 病例。在这些病例中，B 扫描显示含有 RPE 波动（视网膜色素上皮）的 PED 区域是决定的重要区域，但并未掩盖脉络膜新生血管（图 3）。 科学报告|(2022) 12:9335 |https://doi.org/10.1038/s41598-022-13473-x3图1。B 扫描持续 Grad-CAM 分析的四个代表性案例。 (一个–D）。在所有情况下，热图突出显示浅不规则色素上皮脱离区域。代表视网膜下液区域中拉长的感光器外段的反射率增加区域显示在（D).图 2。椭圆体区（EZ）层OCT en face图像持久Grad-CAM分析的四个代表性案例。 (一个–D）覆盖 EZ 层的 OCT 正面图像的热图突出显示所有情况下主要病变内有或没有外部视网膜缺陷的神经感觉视网膜脱离区域。在病例 A 和 B 中，主要病变外有或没有外部视网膜缺损的神经感觉视网膜脱离区域很重要。图 3。具有 OCT 血管造影的持续性 CSC 的代表性病例：一名 45 岁男性的左眼。(A)OCT B 扫描显示 SRF 与浅不规则 PED。 (乙) 覆盖 OCT B 扫描的热图突出显示了使用 DL 确定该病例预后为持续性 CSC 的重要领域。 (C) 覆盖椭圆体区域层的 OCT 正面图像的热图突出显示了重要区域。 (D) OCT 血管造影未发现任何脉络膜新生血管。 科学报告|(2022) 12:9335 |https://doi.org/10.1038/s41598-022-13473-x4讨论在这项研究中，我们开发了 DL 模型来预测 CSC 患者的预后，以及该疾病在未来 6 个月内是否会自行消退或持续存在。我们的研究结果表明，使用预训练的 ResNet50 进行 DL 模型训练可以通过分析 OCT B 扫描和视网膜厚度、EZ 层和脉络膜层的人脸图像来预测 CSC 眼睛的预后，具有良好的性能。此外，当这些图像集连接时，DL 模型的性能更好。使用深度学习对疾病进行诊断、分类和预后预测已成为眼科尤其是视网膜成像研究的活跃领域6.在 CSC 中，已经使用 DL 研究了疾病的诊断和分类、视网膜下液的检测以及治疗后视力的预测9.大多数先前的研究仅使用眼底摄影或 OCT B 扫描来开发 DL 模型。许多研究都强调了 CSC 中人脸图像的价值12. CSC眼中RPE和脉络膜的病理特征在人脸图像上清晰可见19.因此，本研究利用多层 OCT 人脸图像和 B 扫描图像来自动预测 CSC 的预后。在预测 CSC 患者的预后方面，B 扫描、视网膜厚度和 EZ 层的 OCT 图像集在本研究中表现出良好的性能。徐等人。应用深度学习利用临床特征预测 CSC 患者的视力，从 OCT B 扫描图像中收集特征，并表明 DL 模型可以预测 CSC 治疗后的视觉结果，平均绝对误差较低13.该研究证实，OCT B 扫描图像可用于使用 DL 模型预测 CSC 的结果。尽管如此，仅使用 B 扫描的 DL 模型产生的召回率和 F1 分数并不令人满意。EZ 和视网膜厚度的 En face 图像集在 CSC 预后的 DL 预测模型中显示出更好的准确性、敏感性和特异性。正面 EZ 层反映了外部或内部感光器段以及 EZ（IS/OS 结）的变化。光感受器的显着丧失和光感受器外段长度的延长是特征性发现，并且还与慢性 CSC 患者的视力预后相关4.使用 EZ 层 en face 图像的 DL 模型的良好性能表明，相邻 EZ 层的变化在 CSC 的预后中起重要作用。在 OCT B 扫描和 CMT 上观察到的 EZ 的完整性被证明对于预测 1、3 和 6 个月的视力很重要13.在 Pfau 等人的一项研究中，OCT 体积扫描用于估计 CSC 患者治疗后的视网膜功能。15.他们的研究表明，可以使用机器学习（特征提取后的随机森林）从 CSC 眼睛中视网膜层的厚度推断治疗后的局部视网膜敏感性。同样，在本研究中，包含视