多模态MRI影像组学-临床融合模型预测甲状腺眼病静脉糖皮质激素治疗反应
摘要
本研究旨在开发一种多模态MRI影像组学-临床融合模型，以预测甲状腺眼病（TED）患者对静脉糖皮质激素（IVGC）治疗的反应。研究纳入了来自两个机构的108名TED患者（78名应答者，30名非应答者），并评估了治疗完成12周后的反应。通过单因素逻辑回归确定了与治疗反应相关的临床预测因子，并从治疗前T1加权成像（T1WI）和脂肪抑制T2加权成像（T2WI-FS）中提取了影像组学特征和深度迁移学习（DTL）特征。最终构建了一个结合影像组学-深度学习融合（RDL）评分和独立临床预测因子的综合模型。该模型在训练集和测试集中分别达到了0.916和0.862的AUC值，显著优于仅基于临床数据的模型。研究表明，这种多模态MRI影像组学-临床融合模型能够准确预测TED患者的IVGC治疗反应，为个性化治疗提供了无创工具。
信息来源： PubMed Ophthalmology 发布于 2025年1月1日
要点速览
- 多模态MRI影像组学-临床融合模型能够准确预测TED患者的IVGC治疗反应
- 研究使用了单因素逻辑回归、影像组学特征和深度迁移学习特征构建模型
- 综合模型在训练集和测试集中分别达到了0.916和0.862的AUC值
本站解读
这项研究揭示了多模态MRI影像组学-临床融合模型在预测甲状腺眼病（TED）患者静脉糖皮质激素（IVGC）治疗反应方面的巨大潜力。技术路线的变迁表明，传统的单一临床指标已无法满足精准医疗的需求，而结合影像组学和深度学习的方法则能提供更全面、更准确的预测结果。这不仅意味着未来眼科诊疗将更加依赖于多模态数据的整合，也预示着行业竞争格局将发生深刻变化。具备先进影像分析能力和大数据处理能力的企业将在这一领域占据优势。
国内外研发管线进度显示，目前国外在多模态影像组学的应用上已经取得了一定进展，但国内企业也在积极布局。例如，一些国内医疗器械公司已经开始探索AI在眼科影像诊断中的应用。然而，国内企业在算法优化和数据积累方面仍需进一步加强。随着技术的不断成熟，预计未来几年内，多模态影像组学-临床融合模型将在更多眼科疾病中得到应用，从而推动整个行业的进步。
后续需要密切留意的是，如何将这些先进的技术转化为临床实践中的实际应用。这不仅需要更多的临床验证，还需要政策层面的支持和医生的广泛接受。此外，数据安全和隐私保护也是不容忽视的问题。总之，这项研究为眼科领域的精准医疗开辟了新的方向，值得业界持续关注。
常见问题
这个模型对我有什么帮助？
这个模型可以帮助医生更准确地预测你对静脉糖皮质激素治疗的反应，从而制定更个性化的治疗方案。如有疑虑可咨询眼科医生。
这种模型什么时候能在医院用上？
这种模型目前还在研究阶段，具体何时能在医院广泛应用还需进一步的临床验证和技术推广。如有疑虑可咨询眼科医生。
延伸阅读
轻量级视网膜血管分割网络LCNet：高效精准的临床辅助诊断工具
视网膜血管分割技术在计算机辅助临床诊断中至关重要。尽管深度学习技术显著提升了分割精度，但现有方法在处理细小和模糊边界时仍存在局限性，且多数主流模型依赖复杂的编码器，导致参数量大、资源需求高。为此，研究者提出了一种轻量级U形网络LCNet，通过深度可分离卷积减少参数和计算成本，并引入协同坐标注意力模块以增强特征学习。此外，LCNet还利用空洞空间金字塔池化模块捕捉多尺度特征，并通过四个侧输出层提供额外监督。实验结果显示，LCNet在DRIVE、STARE、CHASEDB1和IOSTAR四个经典数据集上分别达到了96.02%、97.95%、97.95%和97.77%的全局准确率，仅需2.65 M参数和21.2 GFLOPs。该模型在病变眼底图像和光学相干断层扫描血管成像中的表现同样出色，证明了其在视网膜血管分割中的高效性和准确性。
深度学习算法在糖尿病视网膜病变中的非灌注区自动量化
该研究旨在评估一种定制的深度学习算法在超广角扫频源OCT血管成像（UWF SS-OCTA）中对非灌注区（NPA）进行自动分割的性能及其在糖尿病视网膜病变（DR）严重程度评估中的应用。研究采用横断面设计，纳入180只眼，涵盖所有DR严重程度等级。研究人员开发了一种基于多尺度U-Net骨干网络并结合挤压和激励注意力机制的卷积神经网络，用于从三种扫描模式（6 × 6 mm、12 × 12 mm 和 29 × 24 mm）的全视网膜层图像中分割NPA。通过两名独立评分者和一名玻璃体视网膜专家生成的金标准标注，以及结构OCT图像来区分真实NPA与阴影伪影。结果显示，该算法在不同扫描尺寸下均表现出高精度（F1分数分别为0.82 ± 0.01、0.84 ± 0.03 和 0.83 ± 0.02），且无显著差异。Bland-Altman分析表明，人类标记和算法预测的非灌注指数（NPI）之间具有高度一致性。结论是，该深度学习算法在单次扫描UWF SS-OCTA中实现了高精度和可扩展性，支持其作为客观DR OCTA生物标志物分析工具的潜力。
深度学习算法在视网膜自荧光图像中精准测量地理萎缩进展
该研究开发了一种基于DeepLabV3+的深度学习算法，通过同时分析纵向获取的视网膜自荧光（FAF）图像对，实现了对地理萎缩（GA）区域的自动标注和生长率的精确测量。研究利用了AREDS2和METforMIN两项独立前瞻性临床试验的数据，共涉及174名AREDS2参与者和44名METforMIN参与者。结果显示，与手动专家标注相比，该算法在精度、召回率和Dice系数方面均有显著提升，并且在保持纵向一致性方面表现优异。这些改进对于减少测量变异性、有效评估临床试验结果具有重要意义。