提升光学相干断层扫描的诊断能力：利用机器学习方法检测自身免疫性炎症疾病

《Journal of Neuro-Ophthalmology》：Advancing Optical Coherence Tomography Diagnostic Capabilities: Machine Learning Approaches to Detect Autoimmune Inflammatory Diseases

　　机器学习模型通过分析光学相干断层扫描（OCT）的视网膜神经纤维层（pRNFL）、节细胞内核层（GCIPL）和内核层（INL）参数，可有效区分多发性硬化症（MS）、视神经炎谱系疾病（NMOSD）等自身免疫性炎症疾病患者与健康对照者及其他眼部疾病患者。研究采用支持向量机（SVM）和交叉验证，在测试集上取得0.66-0.81的准确率和0.81-1.00的AUROC，为深度学习辅助诊断提供基础。

　　

摘要

背景：

在包括印度在内的世界许多地区，自身免疫性炎症性疾病的发病率正在上升，例如视神经脊髓炎谱系疾病（NMOSD）、髓鞘少突胶质细胞糖蛋白抗体相关疾病（MOGAD）和多发性硬化症（MS）。由于诊断工具不足，诊断常常被延误。机器学习（ML）模型利用基于光学相干断层扫描（OCT）的视网膜图像，能够准确区分MS患者的眼睛和健康对照组（HCs）的眼睛。研究视网膜的OCT特征可能有助于早期识别这些疾病。本研究的目的是确定基于视网膜周边神经纤维层（pRNFL）、神经节细胞-内丛层（GCIPL）和内核层（INL）的OCT测量数据，通过ML分析区分不同自身免疫性炎症性疾病患者、其他眼部疾病患者以及健康对照组患者的可行性。

方法：

研究纳入了来自芒格洛尔脱髓鞘疾病登记处的MS患者（n = 99人）、NMOSD患者（n = 40人）、MOGAD患者（n = 74人）、其他眼部疾病患者（OTHER，n = 16人）以及健康对照组（HCs，n = 54人）的眼睛数据。采用了结合年龄、pRNFL、GCIPL和INL的支持向量机（SVM）分类模型。数据被分为训练集（70%）和测试集（30%），并考虑了患者内部的相关性。在训练过程中使用交叉验证来选择SVM模型的最佳参数。通过准确率和接收者操作特征曲线下面积（AUROCs）来评估模型性能。

结果：

SVM模型能够根据AUROCs（范围为0.81至1.00）有效区分各组患者的眼睛。这些模型的准确率也处于中等至高水平，范围为0.66至0.81，但MS与NMOSD之间的比较准确率为0.53。

结论：

ML模型有助于根据OCT测量结果区分自身免疫性炎症性疾病，并将其与健康对照组及其他眼部疾病区分开来。本研究为未来利用原始OCT图像进行分析、识别患有此类疾病及其他原因引起的视神经病变患者的眼睛的深度学习研究奠定了基础。