一篇新的研究论文提出了一种基于深度学习的分类器，用于使用视网膜光学相干断层扫描（OCT）检测老年性黄斑变性（AMD）阶段。该模型利用两阶段卷积神经网络，将Topcon OCT图像中以黄斑为中心的3D体积分成正常、早期/中期AMD（iAMD）、萎缩（GA）和新生血管（nAMD）阶段。第一阶段采用2D ResNet50进行B扫描分类，第二阶段使用较小模型（ResNet）进行体积分类。
经过大量数据集的训练，该模型在将以黄斑为中心的3D体积分类为正常、iAMD、GA和nAMD阶段方面表现出色。该研究强调了准确的AMD分期对于及时治疗的重要性。性能指标包括ROC-AUC、平衡准确率、准确率、F1分数、敏感性、特异性和马修斯相关系数。
研究详细介绍了使用视网膜OCT扫描创建基于深度学习的自动AMD检测和分期系统。与传统方法相比，OCT是一种非侵入性成像技术，在提供关于AMD分期的详细见解方面至关重要。该研究强调了准确的AMD分期对于有效治疗和视觉保护的重要性。该研究强调了高质量数据集对于强大分析的重要性。
该研究采用了两阶段深度学习模型，利用ImageNet预训练的ResNet50和四个独立的ResNet对OCT扫描中的AMD生物标志物进行二元分类。第一阶段在体积中定位疾病类别，而第二阶段执行体积级别的分类。该模型在实际世界的OCT数据集上训练，展示了有希望的性能指标，包括ROC-AUC、平衡准确率、准确率、F1分数、敏感性、特异性和马修斯相关系数。该研究指出了使用不同设备的多样化OCT数据集面临的挑战，并讨论了潜在的泛化问题。
基于深度学习的AMD检测和分期系统在实际测试集中展示出有希望的性能，平均ROC-AUC为0.94。在推理时间加入蒙特卡洛丢弃（Monte-Carlo dropout）增强了分类不确定性估计的可靠性。该研究利用了2079只眼睛的3995个OCT体积的精选数据集，利用各种指标评估性能，包括AUC、BACC、ACC、F1分数、敏感性、特异性和MCC。结果凸显了该模型在准确的AMD分类和分期方面的潜力，有助于及时治疗和视觉功能保护。
该研究成功开发了一种基于深度学习的自动AMD检测和分期系统，利用OCT扫描准确地将以黄斑为中心的3D体积分成四个类别：正常、iAMD、GA和nAMD。与基线方法相比，这种深度学习模型在性能上显示出可比或更好的表现，并带有B扫描级别疾病定位的额外好处。
进一步研究可以提高深度学习模型在各种OCT设备上的泛化能力，考虑对Cirrus和Spectralis等扫描仪进行适应性调整。应探索域漂移适应方法，以应对与特定数据集训练相关的限制，确保在各种信噪比情况下的强大性能。该模型对于回顾性AMD发病检测的潜力可以扩展，实现对纵向数据集的自动标记。在实际筛查环境中应用不确定性估计并探索该模型在检测除AMD之外的其他疾病生物标志物方面的潜力，这是未来研究的有希望的方向，有助于在更广泛的人群中进行疾病筛查。