来源：医博士 | 2022-03-03 作者：毛毛虫
青光眼进展的检测是青光眼管理中最具挑战性和最重要的方面之一。大多数提供进程检测算法的仪器报告仪器定义区域内的全局变化或局部变化。除了这些区域的空间平均会丢失个体解剖信息之外，这种一刀切的策略并不理想，因为众所周知，解剖结构中存在个体差异。
目前的项目使用深度学习自动编码器（DL-AE）来识别随时间变化的个体眼睛中的眼睛特定感兴趣区域（ROI），这些区域代表可能的进展，不可能的进展，并且相对于基线测量没有变化。这些眼睛特异性的结果考虑了个体解剖差异和青光眼进展模式和位置的个体差异，当依赖于仪器定义的全局或区域测量时，这些变化很容易被忽略。
本报告的目的是使用DL-AE从OCT视神经头高分辨率立方体扫描中检测青光眼相关改变，并将结果与从相同立方体扫描中获得的OCT乳头周围RNFL（cpRNFL）厚度测量结果进行比较，以便成功地将疾病相关改变（进展）分类为标准化的青光眼性视神经病变进展的连续视盘立体摄影。
笔者纳入进展性青光眼44只(立体照片评估)，非进展性青光眼189只(立体照片评估)，109只健康眼使用OCT随访≥3年，随访≥4次。使用San Diego自动层分割算法从原始三维OCT图像中自动分割RNFL层。对于每个纵向序列，使用DL-AEs通过识别可能进展和无变化的RNFL区域来生成个性化的基于眼睛的ROI图。比较DL-AE ROI和全局CPRN厚度测量值检测随时间变化和随时间变化率的灵敏度和特异性，这些测量值来自于以视盘为中心的2.22-mm到3.45-mm环形空间。
DLAE ROI 检测进展眼变化的灵敏度高于全局 cpRNFL 瓣环厚度（分别为 0.90 和 0.63）。 在非进展眼中检测不太可能进展的特异性相似（分别为 0.92 和 0.93）。进展期眼DL-AE ROI的平均变化率明显快于cpRNFL环厚度(−1.28μm/y与。−0.83μm/y）和非进展眼(−1.03μm/y与。−0.78μm/y）。
本文通过OCT图像的DL-AE分析确定的眼部特异性ROI有望改善对青光眼进展的评估。
医博士编译: Bowd C, Belghith A, Christopher MB, et al. Individualized Glaucoma Change Detection Using Deep Learning Auto Encoder-Based Regions of Interest. Translational Vision Science & Technology. 2021; 10(8):19. doi:10.1167/tvst.10.8.19.
声明： 所有注明“来源：医博士”的文字、图片和音视频资料，版权均属于医博士所有，转载须注明“来源：医博士”；所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。