Machine Learning Quantification of Fluid Volume in Eyes With Retinal Vein Occlusion Treated With Aflibercept: The REVOLT Study
Notice bibliographique
Résumé
Purpose: To evaluate the combined relationship between ischemia, retinal fluid, and layer thickness measurements with visual acuity (VA) outcomes in patients with retinal vein occlusion (RVO). Methods: Swept-source optical coherence tomography (OCT) data were used to assess retinal layer thickness and quantify intraretinal fluid (IRF) and subretinal fluid (SRF) using a deep learning–based macular fluid segmentation algorithm for treatment-naïve eyes diagnosed with visual impairment resulting from central RVO (CRVO) or branch RVO (BRVO). Patients received 3 loading doses of 2 mg intravitreal aflibercept injections and were then put on a treat-and-extend regimen. Image analysis was performed at baseline and postoperatively at 3 months and 6 months. The baseline OCT morphologic features and fluid measurements were correlated with the changes in best-corrected VA (BCVA) using the Pearson correlation coefficient ( r ). Results: The study comprised 49 eyes. A combined model incorporating thickness in the outer plexiform layer (OPL), retinal nerve fiber layer (RNFL), and presence of IRF had the strongest overall correlation for CRVO ( r = 0.865; P < .05). For BRVO, the addition of IRF to the OPL–inner nasal model had a strong correlation ( r = 0.803; P < .05). The baseline ischemic index in the deep capillary complex showed a notable correlation with the 6-month change in BCVA for CRVO ( r = 0.9101; P < .001) and BRVO ( r = 0.9200; P < .001). Conclusions: A combined model of IRF volume, OPL, and RNFL layer thicknesses, along with ischemic indices, provides the best correlation to BCVA changes. Combined fluid and layer segmentation of OCT images provides clinically useful biomarkers for patients with RVO. These results give insight into the pathology of RVOs and describe the relationship between deep capillary complex ischemia and OPL/RNFL thickness in BCVA outcomes.
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 | 0,003 |
| 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 | 0,001 | 0,001 |
| 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 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 ».