Deep Learning with Disc Photos or OCT Scans in Glaucoma Detection
Notice bibliographique
Résumé
Objective: To determine whether a deep learning (DL) model using retinal nerve fiber layer thickness (RNFLT) maps from OCT scans can detect glaucoma, defined by functional visual field (VF) impairment, more accurately than a DL model using disc photos (DPs). A secondary objective was to assess the diagnostic performance of these DL models across demographic groups (race, sex, and ethnicity). Design: Retrospective cohort study at a tertiary glaucoma center utilizing OCT and DP datasets collected between 2011 and 2022. Participants: Out of the 16 936 DP and OCT image sets, patients with Cirrus OCT images with a quality score ≥6 of 10 and reliable 24-2 Humphrey VF tests (fixation loss ≤33%, false-negative rate ≤20%, false-positive rate ≤20%), taken within 30 days of OCT, were included. Disc photos were obtained within 6 months of OCT. Data were randomly selected for training and testing of the DL models. Testing: Development of DL models utilizing either OCT RNFLT maps or DPs to detect glaucoma based on VF-defined functional impairment. Main Outcome Measures: The primary outcome was the area under the curve (AUC) for glaucoma detection, comparing the OCT-based DL model with the DP-based model. The secondary outcome was the AUC across demographic groups. Results: < 0.005). Conclusions: When glaucoma diagnosis was based on functional deficit, the OCT-based DL model offered greater accuracy in detecting glaucoma than the DP-based model, likely due to its use of objective and quantitative RNFLT measurements. This work supports the use of OCT-based DL models for glaucoma detection, while observed demographic disparities underscore the need for equitable datasets to ensure fair DL-driven glaucoma diagnosis across populations. Financial Disclosures: Proprietary or commercial disclosure may be found in the Footnotes and Disclosures at the end of this article.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».