基于形状拓扑与持续同调分析的高龄近视眼中青光眼鉴别诊断研究

《Journal of Translational Medicine》：Deep learning–assisted topological analysis of optic nerve head structures for glaucoma discrimination in highly myopic eyes: a development study

　　

摘要

背景

在高龄近视(HM)眼中诊断青光眼仍具有挑战性，因为近视引起的视神经盘(ONH)结构性改变会干扰传统影像生物标志物和深度学习模型。本研究开发并评估了一种基于形状拓扑的诊断框架，该框架将基于深度学习的ONH组织分割与持续同调(PH)分析相结合，用于HM眼中的青光眼鉴别诊断。

方法

开发队列包括来自154名受试者的200只眼：来自84名受试者的100只HM眼和来自70名受试者的100只合并青光眼的HM眼，每只眼采集六幅径向谱域光学相干断层扫描(OCT) B扫描图像。对六种ONH组织进行分割；将组织轮廓组装为眼水平的三维点云，转换为H₁持续同调持续图像，并使用多层感知机(MLP)进行分类。基于图像的深度学习分类器和基于PH特征的MLP分类器使用相同的参与者分组划分，并进行五次重复的分层五折交叉验证。在开发队列中开发的PH流水线随后在2023年时间分离的队列中进行评估，该队列包括来自79名受试者的79只眼。

结果

分割Dice系数范围为从筛板的0.747到视网膜层的0.935。在开发队列中，使用分割图作为输入的RETFound分类器实现了0.936 ± 0.009的受试者工作特征曲线下面积(AUC)（95%置信区间[CI]，0.898–0.967）。使用RNFL衍生PH特征的MLP分类器实现了0.931 ± 0.008的AUC（95% CI，0.891–0.962），而使用RNFL+视盘周围巩膜+筛板组合衍生的PH特征的MLP分类器实现了0.942 ± 0.007的AUC（95% CI，0.908–0.976），与单独使用RNFL相比无显著校正差异（P > 0.999）。使用RNFL衍生PH特征的MLP分类器优于使用12个RNFL厚度值的同架构MLP（AUC，0.737 ± 0.012；校正P < 0.001）和使用这些值的逻辑回归（AUC，0.839 ± 0.007；校正P = 0.001）。在时间分离队列中，使用RNFL衍生PH特征的经开发队列训练的MLP分类器实现了0.923的AUC（95% CI，0.849–0.983）。

结论

使用RNFL轮廓衍生的PH特征的MLP分类器显示了强大的参与者分组鉴别能力，并且在无需重新训练的情况下应用于后期同平台队列时仍保持性能。这些发现支持RNFL衍生的PH特征作为表征ONH结构的调查辅助工具，而非临床评估的替代方案。仍需要进行前瞻性多中心及跨设备验证。