Abstract 12631: Phenome-Wide Prediction of Incident Circulatory Diseases Using Machine Learning-Derived Features From Retinal Imaging
Notice bibliographique
Résumé
Purpose: The retina is a window for assessment of cardiovascular health. Here, we performed machine learning-based assessment of retinal vascular density (RVD) from fundus photos, and combined this with retinal layer thicknesses from optical coherence tomography (OCT) imaging, to predict incident circulatory conditions. Methods: We utilized UK Biobank participant retinal fundus images (N=54,813), and OCT images (N=44,823). Deep-learning of fundus photos was used to remove poor-quality images and segment the retinal microvasculature to calculate RVD. Using the Topcon Segmentation algorithm, we quantified retinal layer thicknesses. We performed Cox survival analyses, separately associating RVD and retinal layer thicknesses with 130 circulatory conditions from Phecode ICD-9 and ICD-10 composite phenotypes (median 10 year follow-up), adjusting for age, sex, smoking, ethnicity, height, weight, and spherical equivalent. False Discovery Rate (FDR<0.05) correction was performed to identify significant associations. Results: Participants’ mean age was 56 (SD 8 years), 55% were female, and 56% were non-smokers. Associations were observed for each SD of photoreceptor thinning with incident abdominal aortic aneurysms (HR 1.47, P=6e-6), peripheral vascular disease (HR 1.32, P=4e-5), nonhypertensive heart failure (HR 1.20, P=2.8e-6), myocardial infarction (HR 1.17, P=8e-7), cerebrovascular disease (HR 1.15, P=1.9e-5) and hypertension (HTN) (HR 1.09, P=1e-12). Each SD of lower RVD was associated with incident HTN (HR 1.15, P=3.8e-39) and hypertensive heart disease (HR 2.07, P=6e-4). Further incident heart failure analysis additionally adjusting for RVD, prevalent HTN, and type 2 diabetes identified a persistent association for photoreceptor thinning. Conclusions: Our results indicate that photoreceptor thinning and RVD from retinal imaging can serve as a biomarker for future cardiovascular conditions, independent of other common risk factors.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».