Variability of scan quality and perfusion density in longitudinal optical coherence tomography angiography imaging
Notice bibliographique
Résumé
BACKGROUND/AIMS: Optical coherence tomography angiography (OCT-A) images are subject to variability, but the extent to which learning impacts OCT-A measurements is unknown. We determined whether there is a learning effect in glaucoma patients and healthy controls imaged with OCT-A. METHODS: Ninety-one open-angle glaucoma patients and 54 healthy controls were imaged every 4 months over a period of approximately 1 year in this longitudinal cohort study. We analysed 15°×15° scans, centred on the fovea, in one eye of each participant. Two-dimensional projection images for the superficial, intermediate and deep vascular plexuses were exported and binarised after which perfusion density was calculated. Linear mixed-effects models were used to investigate the association between perfusion density and follow-up time. RESULTS: The mean (SD) age of glaucoma patients and healthy controls was 67.3 (8.1) years and 62.1 (9.0) years, respectively. There was a significant correlation between perfusion density and scan quality in both glaucoma patients (r=0.50 (95% CI 0.42 to 0.58); p<0.05) and healthy controls (r=0.41 (95% CI 0.29 to 0.52); p<0.05). An increase in perfusion density occurred over time and persisted, even after adjustment for scan quality (1.75% per year (95% CI 1.14 to 2.37), p<0.01). CONCLUSIONS: Perfusion density measurements are subject to increasing experience of either the operator or participant, or a combination of both. These findings have implications for the interpretation of longitudinal measurements with OCT-A.
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 | 0,006 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».