利用光学相干断层扫描图像评估机器学习技术在视网膜疾病（伴有视网膜下积液）中的诊断性能

《RETINA》：Diagnostic Performance of Machine Learning Technology Using Optical Coherence Tomographic Image in Retinal Diseases Presented with Subretinal Fluid

基于OCT影像的机器学习模型在区分CSC、PCV、VKH三种伴黄斑液视网膜疾病中的诊断效能研究，采用混合影像特征（单线中央凹OCT与红外图像）训练模型，验证其AUC达0.965，准确率87.10%，为疾病鉴别提供新影像生物标志物。

　　

摘要

目的：

研究机器学习在诊断三种伴有视网膜下液的视网膜疾病（中心性浆液性脉络膜视网膜病变（CSC）、息肉样脉络膜血管病变（PCV）和Vogt-Koyanagi-Harada病（VKH）方面的诊断性能，这些疾病是通过光学相干断层扫描（OCT）图像进行诊断的。

方法：

使用259名患有CSC、PCV或VKH的患者的OCT扫描数据，以及108名没有视网膜下液患者的OCT扫描数据来训练机器学习模型。采用了三种方法：使用每只眼睛的所有扫描数据、仅使用黄斑区域的单线扫描数据，以及同时使用红外图像和OCT图像。评估指标包括精确度、召回率、F1分数、准确率和曲线下面积（AUC）。

结果：

结合黄斑区域单线OCT图像和红外照片的方法取得了最佳诊断效果，总体AUC分数为0.965，准确率为87.10%。精确度、召回率和F1分数分别为88.43%、87.19%和87.18%。

结论：

我们提出了一种新的方法来开发机器学习模型，以区分通过OCT图像显示的三种主要视网膜疾病。结合黄斑区域单线OCT图像和红外照片的方法由于能够识别潜在的影像生物标志物，因此表现出最高的诊断性能。