Deep Learning-Based Segmentation of Geographic Atrophy: A Multi-Center, Multi-Device Validation in a Real-World Clinical Cohort
Notice bibliographique
Résumé
Background: To report a deep learning-based algorithm for automated segmentation of geographic atrophy (GA) among patients with age-related macular degeneration (AMD). Methods: Validation of a deep learning algorithm was performed using optical coherence tomography (OCT) images from patients in routine clinical care diagnosed with GA, with and without concurrent nAMD. For model construction, a 3D U-Net architecture was used with the output modified to generate a 2D mask. Accuracy of the model was assessed relative to the manual labeling of GA with the Dice similarity coefficient (DSC) and correlation r2 scores. Results: The OCT data set included 367 scans from the Spectralis (Heidelberg, Germany) from 55 eyes in 33 subjects; 267 (73%) scans had concurrent nAMD. In parallel, 348 scans were collected using the Cirrus (Zeiss), from 348 eyes in 326 subjects; 101 (29%) scans had concurrent nAMD. For Spectralis data, the mean DSC score was 0.83 and r2 was 0.91. For Cirrus data, the mean DSC score was 0.82 and r2 was 0.88. Conclusions: The reported deep learning algorithm demonstrated strong agreement with manual grading of GA secondary to AMD on the OCT data set from routine clinical practice. The model performed well across two OCT devices as well as amongst patients with GA with concurrent nAMD, suggesting applicability in the clinical space.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».