Elucidating macular structure–function correlations in glaucoma
Notice bibliographique
Résumé
Correlation between structural data from optical coherence tomography and functional data from the visual field may be suboptimal because of poor mapping of OCT measurement locations to VF stimuli. We tested the hypothesis that stronger structure-function correlations in the macula can be achieved with fundus-tracking perimetery, by precisely mapping OCT measurements to VF sensitivity at the same location. The conventional 64 superpixel (3° × 3°) OCT grid was mapped to VF sensitivities averaged in 40 corresponding VF units with standard automated perimetry (conventional mapped approach, CMA) in 38 glaucoma patients and 10 healthy subjects. Similarly, a 144 superpixel (2° × 2°) OCT grid was mapped to each of the 68 locations with fundus-tracking perimetry (localized mapped approach, LMA). For each approach, the correlation between sensitivity at each VF unit and OCT superpixel was computed. Vector maps showing the maximum correlation between each VF unit and OCT pixel was generated. CMA yielded significantly higher structure-function correlations compared to LMA. Only 20% of the vectors with CMA and < 5% with LMA were within corresponding mapped OCT superpixels, while most were directed towards loci with structural damage. Measurement variability and patterns of structural damage more likely impact correlations compared to precise mapping of VF stimuli.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».