Neurology:OCT 标准和机器学习在多发性硬化症和视神经炎诊断中的作用
2022-08-20 Naomi MedSci原创
近日,一项发表在Neurology上的研究证实,与临床标准相比,SD-OCT 能够准确地区分多发性硬化症和正常对照组。
最近的研究表明,视网膜乳头周围神经纤维层(pRNFL)或神经节细胞 内丛状(gCIPL)厚度的眼间差异(IEDs)通过光谱域光学相干断层扫描(SD-OCT)可以识别有单侧视神经炎(ON)病史的人。但是,这需要进一步的验证。近日,一项发表在Neurology上的研究提出,机器学习分类可能有助于验证 OCT 简易爆炸装置的阈值,以及检查视觉功能测试(如低对比度字母敏锐度(lCLA))的附加效用,用于诊断多发性硬化症(pwMS)和单侧 ON 病史。
参与者来自国际多发性硬化症视觉系统(IMSVISUAL)联盟的11个站点。使用 SD-OCT 测量 pRNFL 和 GCIPL 厚度。将 OCT 和视觉测量相结合的综合评分进行个体测量的比较,以确定区分 PwMS 和对照的最佳模型。这些方法也被用来区分那些有 ON 病史的 PwMS。ROC 曲线分析是在一个训练数据集(2/3的队列)上进行的,然后应用到一个测试数据集(1/3的队列)。使用支持向量机(SVM)分析来评估机器学习模型是否提高了 OCT 的诊断能力。
- 在1,568个 PwMS 和552个对照中,变量选择模型确定 GCIPL IED,平均 GCIPL 厚度(双眼)和双目2.5% LCLA 是对 PwMS 与对照分类最重要的。
- 该综合评分表现最好,AUC = 0.89(95% CI 0.85,0.93) ,敏感性 = 81% ,特异性 = 80% 。
- 合成分数ROC 曲线的表现优于模型中的任何一个单独指标(p < 0.0001)。
- GCIPL IED 仍然是 PwMS 单侧 ON 病史的最佳单一鉴别指标(AUC = 0.77,95% CI 0.71,0.83,灵敏度 = 68% ,特异性 = 77%)。
- 支持向量机分析的结果与标准的 Logit模型模型相当。
结合视觉结构和功能的综合评分提高了 SD-OCT 区分 PwMS 和对照的能力。GCIPL 简易爆炸装置最能区分那些有单侧开启病史的病人。支持向量机执行以及这些分类的标准统计模型。
这项研究提供了第三类证据,证明与临床标准相比,SD-OCT 能够准确地区分多发性硬化症和正常对照组。
文献来源:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
#OCT#
35
#视神经#
40
#硬化症#
31
#视神经炎#
34
#神经炎#
34
#多发性#
39
#Neurol#
36
#机器#
38