Near-Infrared Autofluorescence in Non-Infectious Uveitis: A Review
Notice bibliographique
Résumé
This review offers a comprehensive synthesis of current evidence on near-infrared autofluorescence (NIR-AF) in non-infectious uveitis, highlighting its strengths, limitations, and role in diagnosis, monitoring, and understanding disease mechanisms. Unlike blue-light autofluorescence, which mainly detects lipofuscin, NIR-AF visualizes melanin and related compounds in the retinal pigment epithelium (RPE) and choroid, providing deeper penetration, reduced phototoxicity, and greater comfort. Across entities like Vogt-Koyanagi-Harada disease, MEWDS, punctate inner choroidopathy, APMPPE, and Fuchs' heterochromic iridocyclitis, NIR-AF reveals patterns often invisible on conventional imaging-detecting subclinical lesions, differentiating active from inactive disease, and tracking RPE changes over time. Its persistence in showing hypoautofluorescent or hyperautofluorescent lesions after clinical resolution offers unique insight into residual or subclinical inflammation. The technique complements OCT, fluorescein, and indocyanine green angiography, adding a melanin-specific layer to multimodal imaging. Limitations include a weaker signal compared to BL-AF, susceptibility to media opacities, equipment-dependent variability, and lack of standardized interpretation criteria. While it cannot quantify choroidal melanin loss directly and image acquisition can be challenging, its non-invasive, repeatable nature and diagnostic yield make it a promising tool for longitudinal uveitis care. Further prospective studies, standardization, and AI-driven analysis could expand its clinical impact, potentially cementing NIR-AF as an essential component in uveitis imaging strategies.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 | 0,001 |
| 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 ».