《Ophthalmology Glaucoma》：Deep Learning-Predicted RNFL Loss and Incident Glaucoma in the Canadian Longitudinal Study on Aging
编辑推荐：
早期青光眼诊断中结合对应 sectors 的 RNFL 和 GCIPL 参数，通过逻辑回归和交互项模型显著提升 AUC（0.969 和 0.902），优于单一参数模型。
亚当·Z·徐（Adam Z. Xu）|贾钦托·特里奥洛（Giacinto Triolo）|玛丽亚·J·查韦斯-萨马尼戈（Maria J. Chaves-Samaniego）|马克西米利安·G·科纳泽夫斯基（Maximilian G. Konarzewski）|史蒂文·J·格德（Steven J. Gedde）|让-克洛德·姆万扎（Jean Claude Mwanza）|唐纳德·L·布登兹（Donald L. Budenz）|费利佩·A·梅德埃罗斯（Felipe A. Medeiros）|路易斯·E·巴斯克斯（Luis E. Vazquez）
美国佛罗里达州迈阿密市迈阿密大学米勒医学院巴斯科姆·帕尔默眼科研究所（Bascom Palmer Eye Institute, University of Miami Miller School of Medicine, Miami, FL, United States of America）
摘要
目的
评估地理上对应的视网膜神经纤维层（RNFL）参数和神经节细胞内丛层（GCIPL）参数的组合，以检测早期青光眼。
设计
横断面研究。
研究对象
早期青光眼探索性队列包括156名患者和199名年龄匹配的对照组。早期青光眼验证队列包括75名患者和247名年龄匹配的对照组。每位患者仅使用一只眼睛的数据。
方法
使用Cirrus HD-OCT设备获取RNFL和GCIPL的扫描图像。通过线性回归分析早期青光眼中相应RNFL和GCIPL区域变薄的程度。针对早期青光眼队列拟合参数组合的逻辑回归模型，然后生成接收者操作特征（ROC）曲线。在早期青光眼数据集上验证这些模型，并通过计算ROC曲线下面积（AUC）来评估诊断效能。
主要结果指标
ROC曲线下面积（AUC）
结果
在早期青光眼患者中，下颞侧GCIPL的丢失与下侧RNFL的丢失呈中度相关（R2 = 0.38），而上颞侧GCIPL的丢失与上侧RNFL的丢失也呈中度相关（R2 = 0.32）。当考虑这些相关性及交互项时，所有参数组合的逻辑回归模型性能显著提升（ΔAIC = -17.4，ΔBIC = -9.7）。该组合模型在诊断早期青光眼（AUC = 0.969）和早期青光眼（AUC = 0.902）方面表现优异，并且在早期和早期青光眼诊断中均优于所有单独的参数（配对自助法AUC比较，p<0.0001）。
结论
结合GCIPL和RNFL的对应区域，并考虑它们之间的相关性，可以构建出在早期和早期青光眼诊断中具有较高准确性的模型。关注这些区域中GCIPL和RNFL厚度的变化有助于临床医生发现早期青光眼。
引言
视网膜神经纤维层（RNFL）的光学相干断层扫描（OCT）长期以来一直是检测青光眼结构性损伤的标准方法。（1, 2, 3）然而，青光眼同时会损害RNFL和黄斑区。（4, 5, 6）在过去十年中，神经节细胞内丛层（GCIPL）的结构损伤已成为青光眼的可靠诊断标志。（7, 8, 9）由于视网膜神经节细胞及其轴突的解剖学连续性，RNFL和GCIPL的结构变化是相互关联的，并且会同步进展。（10, 11, 12, 13）
单独使用GCIPL参数或RNFL参数在诊断早期青光眼时的效果相似。（14, 15）但如果临床医生仅依赖其中一种扫描方式，可能会忽略另一种扫描提供的互补信息，从而影响早期青光眼的检测。多项研究表明，结合RNFL和GCIPL的参数比单独使用任一扫描方法更有效。（12, 14, 16）然而，如何最佳地结合和解释RNFL和GCIPL参数以诊断早期青光眼仍是一个未解决的问题。
此前已有研究使用所有单独的RNFL和GCIPL参数构建了强大的诊断模型。（17, 18, 19）姆万扎等人通过探索性因子分析将相关的OCT参数合并为代表性总结变量，以实现准确的青光眼分类；而福凯等人采用逐步回归方法构建了简洁的OCT参数模型以评估青光眼风险。（20, 21, 22）胡德等人开发了一个逻辑回归模型，使用六个选定的OCT变量来表征青光眼的特征性损伤模式。（23）我们的方法在此基础上进一步明确模拟了RNFL和GCIPL对应区域之间的交互作用，捕捉了跨层分析一致变薄的诊断价值，从而提高早期青光眼的检测能力。
本研究证实了RNFL和GCIPL解剖学对应区域的厚度损失在早期青光眼中确实存在相关性（24, 25, 26）。利用这种区域相关性，我们构建了多变量诊断模型，其性能优于单一变量预测因子。最后，我们在另一组早期青光眼患者数据上验证了这些模型，并讨论了其在临床决策中的实际应用价值。
研究队列
本研究遵循《健康保险流通与责任法案》（Health Insurance Portability and Accountability Act）的规定，并遵守《赫尔辛基宣言》（Declaration of Helsinki）的原则。获得了迈阿密大学米勒医学院机构审查委员会（IRB）的批准，允许回顾性查阅2015年1月起在巴斯科姆·帕尔默眼科研究所（BPEI）接受检查的青光眼患者的医疗记录。
研究的纳入标准如下：
研究队列的描述性统计
年龄匹配后，早期青光眼（EG）患者的平均年龄±标准差为66.2±10.7岁，健康对照组为54.1±13.0岁（p < 0.001）。早期青光眼（IG）患者的平均年龄±标准差为64.2±10.8岁，健康对照组为49.1±15.6岁（P < 0.001）。由于EG组和IG组在年龄上存在统计学差异，我们通过逆概率加权调整ROC曲线来控制年龄因素（见补充图1）。
讨论
我们的结果表明，结合RNFL和GCIPL的对应区域——具体来说，下颞侧GCIPL与下侧RNFL以及上颞侧GCIPL与上侧RNFL——能够构建出在早期和早期青光眼诊断中表现更优的模型。虽然之前的研究比较了RNFL和GCIPL厚度参数的单独诊断价值（32, 33），但也有研究将这些参数结合起来使用。
未引用的参考文献
31.; 31..
