Predicción de la función visual a partir de biomarcadores de tomografía de coherencia óptica cuantificados automáticamente en pacientes con atrofia geográfica mediante aprendizaje automático

Jun 23, 2023

Scientific Reports volumen 12, número de artículo: 15565 (2022) Citar este artículo

2407 Accesos

5 citas

18 altmétrica

Detalles de métricas

La atrofia geográfica (AG) es una manifestación que amenaza la visión de la degeneración macular relacionada con la edad (DMAE), una de las principales causas de ceguera a nivel mundial. La cuantificación objetiva, rápida, confiable y escalable de GA a partir de exploraciones de retina por tomografía de coherencia óptica (OCT) es necesaria para el seguimiento de enfermedades, la investigación de pronóstico y los criterios de valoración clínicos para el desarrollo de terapias. Es probable que estos biomarcadores cuantificados automáticamente en OCT aclaren aún más la correlación estructura-función en GA y, por lo tanto, los mecanismos fisiopatológicos del desarrollo y progresión de la enfermedad. En este trabajo, nuestro objetivo fue predecir la función visual con aprendizaje automático aplicado a biomarcadores de imágenes cuantitativos adquiridos automáticamente en GA. Se realizó un análisis post hoc de los datos de un ensayo clínico y de la atención clínica de rutina. Se aplicó un modelo de segmentación automatizada de aprendizaje profundo en exploraciones OCT de 476 ojos (325 pacientes) con GA. Un modelo de predicción de aprendizaje automático independiente (Random Forest) utilizó los biomarcadores cuantitativos OCT (qOCT) resultantes para predecir la agudeza visual transversal en condiciones de luminancia estándar (VA) y baja (LLVA). El resultado primario fue el coeficiente de regresión (r2) y el error absoluto medio (MAE) para VA transversal y LLVA en las cartas del Estudio de tratamiento temprano de la retinopatía diabética (ETDRS). Los parámetros de OCT fueron predictivos de AV (r2 0,40 MAE 11,7 letras ETDRS) y LLVA (r2 0,25 MAE 12,1). Importancia de las características del bosque aleatorio normalizado, como medida del valor predictivo de las tres características constitutivas de GA; La pérdida del epitelio pigmentario de la retina (EPR), la degeneración de fotorreceptores (PDR), la hipertransmisión y sus ubicaciones, se informaron tanto en mapas de calor a nivel de vóxel como en subcampos de cuadrícula ETDRS. La región foveal (46,5%) y la pérdida del EPR (31,1%) tuvieron la mayor importancia predictiva para la AV. Para LLVA, sin embargo, las regiones no foveales (74,5%) y PDR (38,9%) fueron las más importantes. En conclusión, los biomarcadores qOCT automatizados demuestran importancia predictiva para VA y LLVA en GA. LLVA predice en sí mismo la progresión de GA, lo que implica que los biomarcadores qOCT predictivos proporcionados por nuestro modelo también son pronósticos.

La atrofia geográfica (AG) es una degeneración crónica progresiva de la mácula, la región central de 24 mm2 (20°) de la retina necesaria para la visión central. Es la lesión definitoria de la degeneración macular asociada a la edad (DMAE) tardía1,2. GA se asocia con una pérdida de visión significativa e irreversible. Para evaluar la función visual en la DMAE, la agudeza visual (AV) medida utilizando una tabla optométrica bajo iluminación estandarizada es una medida de resultado clave establecida según lo define el Consorcio Internacional para la Medición de Resultados de Salud3. Curiosamente, en las primeras etapas de la DMAE, la AV medida en condiciones de baja luminancia (agudeza visual de baja luminancia [LLVA]) puede reducirse mientras que la AV estándar no se ve afectada4,5. La mayoría de los pacientes presentan inicialmente una AG no central (que afecta la región parafoveal de la mácula) y gradualmente avanzan hacia una afectación foveal (AG central)6,7,8. En este contexto, la LLVA se correlaciona con un deterioro futuro de la AV y su reducción indica que el paciente se encaminará hacia el inicio de una enfermedad terminal y la pérdida de la función foveal puede ser inminente. Sin embargo, se desconoce el mecanismo fisiológico subyacente a esta medida de resultado9,10.

Sin tratamientos actuales para GA y terapias prometedoras en el horizonte11,12,13, es cada vez más importante establecer relaciones estructura-función dentro de GA, ya que: (i) proporcionan una mayor comprensión de los mecanismos fisiopatológicos subyacentes a GA; (ii) perfeccionar el seguimiento de la actividad de la enfermedad y, por tanto, el asesoramiento diagnóstico y pronóstico a nivel de paciente individual; (iii) servir para definir criterios de valoración clínicos en ensayos clínicos y permitir la identificación de etapas anteriores, es decir, oportunidades para intervenciones que puedan prevenir la pérdida de visión.

El estándar de referencia actual para diagnosticar, caracterizar y monitorear la progresión en GA es la tomografía de coherencia óptica de dominio espectral (SD-OCT), ya que captura la morfología transversal de las estructuras retinianas14. De hecho, un consorcio internacional de expertos en DMAE e imágenes de la retina, el grupo Consensus of ATROPHIES Meetings (CAM), decidió definir la progresión de la enfermedad en GA basándose en marcadores estructurales SD-OCT1,15). Los términos propuestos para la atrofia macular en el contexto de la DMAE describen cada uno de las capas anatómicas afectadas y representan distintas etapas de la enfermedad. En este documento, el EPR completo (epitelio pigmentario retiniano) y la atrofia retiniana externa (cRORA) representan el criterio de valoración de la atrofia (que abarca GA) y se define por regiones de: hipertransmisión coroidea con diámetro ≥ 250 µm; Atenuación o alteración del EPR con diámetro ≥ 250 µm; degeneración de los fotorreceptores superpuestos; y ausencia de desgarro del EPR15. Las regiones en las que estas características se superponen pero tienen menos de 250 µm se denominan EPR incompleto y atrofia de retina externa (iRORA), una etapa precursora de cRORA16. Recientemente, desarrollamos un modelo de aprendizaje profundo para segmentar automáticamente la pérdida de EPR, la degeneración de fotorreceptores y la hipertransmisión a partir de exploraciones OCT y, mediante validación externa, se demostró que es comparable con los esfuerzos de especialistas humanos17. Las regiones en las que estas características se superponen representan RORA (RPE y atrofia de retina externa) y pueden considerarse como una variable continua que abarca tanto cRORA (GA) como iRORA.

Hasta la fecha, la relación entre las características estructurales de OCT y la función visual en GA se ha basado en la segmentación manual y no considera los biomarcadores definidos en la declaración de consenso de CAM18,19. Este estudio utiliza un algoritmo validado externamente que segmenta automáticamente estos biomarcadores cuantitativos OCT (qOCT), aplicándolos a conjuntos de datos de DMAE no neovascular con GA (n = 476) tanto de un ensayo clínico como de atención clínica de rutina. Aplicando modelos de aprendizaje automático, se podría predecir el AV tanto estándar como de baja luminancia a un nivel que aún no se ha alcanzado. Además, la localización espacial y la gravedad de la alteración anatómica de los biomarcadores qOCT se mapearon en la mácula, lo que proporcionó más información sobre la relación estructura-función en GA y el mecanismo fisiológico subyacente (de otro modo desconocido) del deterioro temprano de LLVA.

Este es un análisis post hoc no intervencionista de pacientes con GA secundaria a DMAE no neovascular. Los informes se adhirieron a las directrices para estudios observacionales establecidas por la declaración Fortalecimiento de los informes de estudios observacionales en epidemiología (STROBE)20.

Este estudio consideró datos de dos fuentes: participantes inscritos en el ensayo FILLY (NCT02503332)11,21 y datos del mundo real recopilados como parte de la atención clínica de rutina para pacientes con GA en Moorfields Eye Hospital NHS Foundation Trust, Londres, Reino Unido.

El ensayo FILLY fue un ensayo clínico multicéntrico internacional de fase II que evaluó la seguridad, la tolerabilidad y la evidencia de la actividad del pegcetacoplan intravítreo en ojos con GA secundaria a DMAE no neovascular con agudeza visual mejor corregida (MAVC) superior a 24 Tratamiento temprano para diabéticos. Cartas del Estudio de Retinopatía (ETDRS) (Métodos complementarios 1 y Figura 1 complementaria). Aquí, sólo se consideraron los datos iniciales del ensayo, es decir, el momento anterior al inicio de la intervención. Los valores de VA representan pruebas de BCVA utilizando tablas ETDRS realizadas por examinadores certificados después de la refracción. La BCVA en condiciones de baja luminancia (agudeza visual de baja luminancia; LLVA) se midió como para la BCVA pero con un filtro de densidad neutra de 2,0 log que cubría el ojo. Primero se evaluó el ojo del estudio, después de permitir un tiempo adecuado para la adaptación a condiciones de baja luminancia, determinadas empíricamente. La LLVA se midió antes de la BCVA para evitar la memorización de letras. El déficit de luminancia baja (LLD) se definió como la diferencia entre BCVA y LLVA (es decir, BCVA-LLVA).

Se incluyeron pacientes del Moorfields Eye Hospital si se cumplían todos los criterios siguientes (Figura 1 complementaria): asistieron a una clínica médica de retina entre el 1 de enero de 2016 y el 31 de enero de 2019; GA se incluyó como término en la carta de correspondencia clínica; Se obtuvieron exploraciones OCT de Heidelberg (más de 25 exploraciones b por volumen) de ambos ojos dentro de los 15 días posteriores a la cita; ausencia de terapia anti-VEGF previa; y se confirmó que las exploraciones OCT contenían GA secundaria a DMAE no neovascular (según la validación manual realizada por un calificador experto del Centro de Lectura en el Centro de Lectura Moorfields). En este caso, se midió la AV (con corrección habitual o estenopeica) como parte de un examen clínico con una tabla ETDRS. Se utilizó estenopeica VA si era mejor que la VA con corrección habitual. Para cualquier ojo con múltiples puntos temporales que cumplieran los criterios de elegibilidad, se seleccionó el punto temporal más antiguo.

Para todos los pacientes, solo se consideró una única exploración OCT macular y una medición de VA correspondiente por ojo. El rango de luminancia de los gráficos ETDRS en las dos cohortes de pacientes fue de 85 a 120 cd/m2. Todos los volúmenes de OCT se adquirieron utilizando Heidelberg Spectralis OCT (Heidelberg Engineering, Heidelberg, Alemania) con 25 b-scans iguales o superiores que cubren 6 × 6 × 2 mm3.

El estudio se realizó de conformidad con los principios de la Declaración de Helsinki y cuenta con la aprobación de la Junta de Revisión Institucional del Moorfields Eye Hospital (referencia de investigación: ROAD17/031, referencia de auditoría clínica: CA17/MR/28). La junta nacional de revisión de ética e investigación en salud de Inglaterra (Autoridad de Investigación en Salud de Inglaterra, ID de proyecto: 281957, número de protocolo: KEAP1006, referencia del Comité de Ética en Investigación: 20/HRA/2158) renunció al requisito de consentimiento informado, ya que este es el estándar para el uso de datos retrospectivos y no identificados para investigaciones dentro del Servicio Nacional de Salud del Reino Unido (NHS).

Todos los volúmenes de OCT se procesaron utilizando modelos de aprendizaje profundo validados17. Los modelos de aprendizaje profundo se desarrollaron como una variación de la arquitectura U-Net. Brevemente, para cada píxel de una imagen de entrada, el modelo genera una estimación de probabilidad para una característica determinada. Se entrenaron modelos para cada una de las características morfológicas que definen la atrofia geográfica: pérdida del EPR, degeneración de los fotorreceptores superpuestos e hipertransmisión. También se entrenó un cuarto modelo que segmenta RORA. RORA se definió como regiones superpuestas de pérdida de EPR, degeneración de fotorreceptores e hipertransmisión, es decir, cualquier área de la retina con las tres características presentes y, por lo tanto, que abarca tanto iRORA como cRORA15,22. Los modelos se aplicaron en cada exploración de volumen OCT y se realizó una segmentación automatizada de cada una de las 49 exploraciones b por volumen.

Para cada escaneo b bidimensional, las salidas de los modelos a nivel de píxel se convirtieron en una etiqueta binaria unidimensional, que representa la presencia o ausencia de la característica por columna vertical (escaneo A). (Figura 1a)17.

Flujo de trabajo de análisis de imágenes. (a) Para cada volumen de OCT, todas las exploraciones b se segmentaron para pérdida de EPR (naranja), degeneración de fotorreceptores (azul), hipertransmisión (rojo) y EPR y atrofia retiniana externa (RORA; verde). Se considera que RORA son regiones superpuestas de las tres características anteriores, es decir, coocurrencia según un escaneo. Segmentación ejemplar de un solo b-scan y su eje a lo largo de la fotografía del fondo de ojo frontal. (b) Mapas de probabilidad de características resultantes de las segmentaciones de volumen total presentadas colectivamente mediante proyección en una fotografía frontal del fondo de ojo. Las leyendas de colores representan la probabilidad de la característica objetivo. La anotación manual del punto foveal central permitió la interpolación de la localización de un vóxel determinado en relación con la fóvea. (c) También se consideraron regiones ETDRS en las que la mácula se considera como un círculo de 6 mm de diámetro dividido en 9 áreas: área foveal central (1 mm de diámetro); 4 parafoveales (en conjunto abarcan 3 mm de diámetro); y 4 áreas perifoveales. (d) Aquí se muestra la probabilidad media de característica dentro de cada región.

El proceso de segmentación automática asigna una probabilidad para cada una de las características a cada vóxel dentro de un volumen OCT. La localización espacial de vóxel se interpoló en relación con la fóvea central, estandarizando así las ubicaciones y permitiendo la comparación entre pacientes (Fig. 1b). Los puntos foveales centrales fueron anotados manualmente por un evaluador experto del centro de lectura del Moorfields Reading Centre. La localización espacial de las probabilidades de características también se consideró dividiendo la mácula en cada una de las regiones ETDRS, es decir, la probabilidad media dentro de cada una de las nueve regiones ETDRS (áreas foveal, 4 parafoveal y 4 perifoveal para las áreas nasal, temporal, superior e inferior). regiones) (Fig. 1c). El área de cada característica segmentada en milímetros cuadrados (mm2) se consideró aplicando umbrales de probabilidad optimizados identificados en el desarrollo y validación del modelo original (Fig. 1d)17.

Se entrenó un modelo de regresión de bosque aleatorio utilizando el resultado de la segmentación (es decir, las probabilidades brutas a nivel de vóxel para cada característica (pérdida de RPE, degeneración de fotorreceptores, hipertransmisión y RORA) como variables de entrada para predecir la AV transversal en letras ETDRS. Se entrenaron instancias individuales del mismo modelo: una con OCT de la cohorte FILLY del ensayo clínico, otra con OCT de la cohorte MEH y otra con OCT de una cohorte general combinada.Con respecto a la predicción de AV a partir de biomarcadores qOCT en condiciones de luminancia estándar, los tres modelos fueron evaluados para: (i) VA en condiciones de ECA, es decir, FILLY; (ii) VA de la atención de rutina del mundo real, es decir, MEH; y (iii) VA de la cohorte general.

En análisis separados, la VA en condiciones de baja luminancia y el Déficit de luminancia bajo (LLD), solo disponibles en la cohorte del estudio FILLY, se consideraron como la variable dependiente para instancias separadas del modelo de regresión forestal aleatoria.

La bondad del ajuste del modelo se evaluó comparando el coeficiente de regresión (r2) y el error absoluto medio (MAE) calculado a partir de modelos forestales aleatorios con arranque 100 veces entrenados en el 80% de la muestra de arranque y evaluados en el otro 20% dividido en el paciente. nivel. La importancia de las características se calculó mediante el método incorporado en la implementación scikit-learn de regresión forestal aleatoria, mediante el cual las clasificaciones de las características para su capacidad de reducción de la varianza se promedian en el conjunto. La producción se multiplicó por 100 para dar una contribución porcentual al rendimiento del modelo. Los análisis se realizaron con Python (versión 3.6.9) y las métricas resumidas en el texto se expresan como mediana con rango intercuartil ± (IQR), a menos que se especifique lo contrario, ya que las mediciones no se distribuyeron normalmente.

Presentación del trabajo del Premio EURETINA 2021—Sesión de Inteligencia Artificial.

La cohorte del estudio estuvo compuesta por 476 ojos con GA secundaria a DMAE no neovascular de 325 pacientes que se sometían a un ensayo clínico de pegcetacoplan en GA secundaria a DMAE (n = 195) o atención clínica de rutina en un gran centro terciario del Reino Unido (n = 130). (Figura complementaria 1). La edad media (DE) fue similar en todos los grupos, con 80,1 (7,6) y 79,1 (9,1) años en las cohortes FILLY y MEH, respectivamente. La mediana de edad general fue 80,5 ± RIC 11,1 años. En ambas cohortes, la mayoría eran mujeres (Potrina: 63,1%; MEH: 56,2%) (Tabla 1). Ningún paciente tenía antecedentes de tratamiento con hidroxicloroquina o cloroquina.

Se observó una amplia distribución en la AV estándar en ambas cohortes de estudio: la mediana de la BCVA estándar fue de 57,5 ​​± IQR 30,0 en la cohorte FILLY y la mediana de la AV mejor registrada fue de 50,9 ± 35,0 letras ETDRS en la cohorte MEH, lo que da una mediana general de la AV estándar de 60,5 ± IQR. 32.0 letras ETDRS. De manera similar, las otras métricas de funciones visuales disponibles para la cohorte FILLY se distribuyeron ampliamente. LLVA fue 32,0 ± 28,0 y LLD 21,0 ± 21,0 (Tabla 2 y Figura complementaria 2a).

La segmentación automática de las OCT de la cohorte general reveló que, en todos los parámetros analizados, la cohorte MEH presentó en promedio áreas más grandes afectadas por GA (Tabla 2 y Figura complementaria 2b). La mediana (IQR) de RORA fue de 6,03 mm2 (5,59) en la cohorte Filly versus 6,6 (9,32) en la cohorte MEH. De manera similar, las áreas medias afectadas por la pérdida de EPR, la degeneración de fotorreceptores y la hipertransmisión fueron nominalmente mayores en la cohorte MEH en comparación con la cohorte FILLY. El área total ocupada por cada característica fue muy variable en la cohorte general, lo que resultó en una distribución con valores medianos de: 7,82 ± 7,58 mm2 de pérdida de EPR, 14,4 ± 9,57 mm2 de degeneración de fotorreceptores, 9,23 ± 7,58 mm2 de hipertransmisión y 6,22 ± 6,49 mm2. RORA (Tabla 2 y Figura complementaria 2b). La presencia de RORA y sus características constitutivas también fue muy variable dentro de cada región, desde completamente ausente (0%) hasta confluente (>99%). De hecho, RORA estuvo completamente ausente en la región foveal circular ETDRS (diámetro 1 mm; 0,79 mm2) en el 14,7% de todos los volúmenes de OCT (70/476; 41/299 FILLY y 29/177 MEH) (Tabla 2).

Para VA estándar, la precisión del uso de probabilidades de características segmentadas automáticamente a nivel de vóxel para predecir VA fue mayor en la cohorte FILLY (r2 0,46 MAE 10,2) que en la cohorte MEH de la vida real (r2 0,30 MAE 15,3). El modelo de regresión forestal aleatoria entrenado en las dos cohortes combinadas (cohorte general) tuvo r2 0,40, con un error absoluto medio (MAE) de 11,7 letras ETDRS (Tabla 3a). Importancia de las características del bosque aleatorio normalizado, como medida del valor predictivo de las tres características constitutivas de GA; La pérdida de RPE, PDR, hipertransmisión y sus ubicaciones se informaron tanto en mapas de calor a nivel de vóxel (Fig. 2a) como en subcampos de cuadrícula ETDRS (Tabla 3b). Se clasificó la importancia predictiva de cada característica y su posición, donde RORA contribuyó más (30,5% en la cohorte general; 30,9% en POTRA y 28% en MEH), seguida de la hipertransmisión (25,1% en general; 25,7% POTRA 26,8% MEH), Pérdida de RPE (23,7% en general; 24,8% POTRA 22,4% MEH) y degeneración de fotorreceptores (20,7% en general; 18,8% POTRA 22,9% MEH) (Fig. 2a y Tabla 3b). La clasificación de características se consideró además sumando la importancia de las características en todas las regiones de ETDRS. Fundamentalmente, las características dentro de la región foveal fueron las que más contribuyeron (46,5% en general; 47,1% POTRA; 46,5% MEH) a pesar de ser la región ETDRS más pequeña: 0,78 mm2 (Tabla 3b).

Mapa de calor del valor predictivo de características relativas. Importancia de las características del bosque aleatorio normalizado como medida del valor predictivo de las cuatro características consideradas de GA; Pérdida de EPR, degeneración de fotorreceptores e hipertransmisión y RORA y sus ubicaciones en relación con la fóvea hasta el valor previsto para (a) agudeza visual estándar (cohorte general) y (b) agudeza visual de baja luminancia (cohorte Filly). Los valores de importancia de las características se promediaron en 100 bootstraps del conjunto de datos.

Había parámetros visuales adicionales disponibles en la cohorte FILLY. Aquí, las predicciones aleatorias de la sección transversal del bosque de LLVA y LLD a partir del modelo de segmentación de aprendizaje profundo presentan probabilidades de salida. Se observaron coeficientes de regresión (r2) de 0,25 (MAE 12,1) y 0,25 (MAE 10,1) para LLVA y LLD, respectivamente (Tabla 3a). La clasificación de la importancia de las características para LLVA, tal como se visualiza en los mapas de calor correspondientes, estuvo liderada por la degeneración de los fotorreceptores (38,9%), seguida de la hipertransmisión (26,0%), RORA (21,4%) y la pérdida de EPR (13,8%) (Fig. 2b y Tabla 3c). ). A diferencia de la AV estándar, donde la importancia de las características era mayor para la región foveal, las características de las regiones no foveales fueron más importantes para predecir la LLVA. Cuando los modelos de regresión de bosque aleatorio VA y LLVA se repitieron con un ojo por paciente, se observó un patrón similar de importancia de las características (Tabla complementaria 1). La correlación entre los valores reales y previstos para VA y LLVA y los gráficos de Bland-Altman correspondientes se presentan en la Figura complementaria 3.

Nuestros datos demuestran que tanto la AV estándar como la de baja luminancia en pacientes con GA secundaria a DMAE no neovascular se pueden predecir utilizando características qOCT que se han segmentado y cuantificado automáticamente. Esta es la primera vez que se describe una relación estructura-función para LLVA, creando una herramienta para evaluar sus mecanismos fisiológicos subyacentes. El rendimiento predictivo transversal demostrado para la AV estándar en la cohorte general (r2 = 0,40; Tabla 3a) es superior al de esfuerzos similares en la DMAE neovascular que también utiliza algoritmos de segmentación basados ​​en aprendizaje automático: r2 = 0,11–0,2123,24. Un MAE de 11,7 letras ETDRS es un paso hacia el límite de la predicción de AV, ya que la repetibilidad test-retest para VA estándar es de 5 a 6 letras ETDRS en ojos sin enfermedad y se cree que es aún mayor en ojos con GA25,26.

El algoritmo descrito aquí puede producir un "mapa de calor de probabilidad de característica GA", en el que la salida del algoritmo de las probabilidades de segmentación se interpola en relación con la fóvea y se proyecta sobre una imagen de fondo de ojo frontal. Los mapas de probabilidad nos permiten considerar instantáneamente datos de segmentación cuantitativa en todo un volumen de imagen simultáneamente a través de un gráfico intuitivo. La consideración de las características de segmentación como variables continuas (es decir, probabilidad de presencia de características) en lugar de variables binarias (característica presente o no presente) evita las dificultades de asignar umbrales fijos. Marcar cada vóxel con un punto de referencia permite comparar características a lo largo del tiempo e incluso entre muestras y pacientes (un paso obligado para el modelado).

Un análisis estratificado de características y regiones basado en la cohorte general sugirió que el RORA foveal, seguido de la pérdida del RPE foveal, es el predictor más fuerte de AV estándar en GA. La fuerte contribución foveal a la predicción de la AV estándar no es en gran medida sorprendente, ya que refleja la observación clínica de que la AG central se acompaña de una AV deficiente7. De hecho, los análisis topográficos de la autofluorescencia del fondo de ojo, así como la SD-OCT, han demostrado que la preservación foveal es una covariable independiente de GA27 y que es probable que la AV sea peor en ojos con afectación foveal definitiva28. Hasta la fecha, no se ha demostrado claramente una correlación entre el área total de GA y la AV mediante la fotografía del fondo de ojo27,28,29,30,31. Aquí, presentamos evidencia que demuestra que las imágenes SD-OCT también pueden detectar correlaciones entre las características no foveales y la AV. Esto puede deberse a que la fotografía del fondo de ojo solo proporciona representaciones bidimensionales de la retina, lo que limita la evaluación en profundidad de las capas de la retina y la discriminación entre los subtipos histológicos de GA y su respectiva contribución al déficit funcional32. Por tanto, la segmentación macular con SD-OCT presenta una modalidad potencialmente más sensible para GA y sus secuelas en la función visual.

Actualmente, se suele considerar que la AG está presente cuando la diseminación lateral de RORA afecta un área de atrofia ≥ 250 μm de diámetro15. El uso del algoritmo descrito aquí permite la evaluación de RORA como una variable continua, y se puede aplicar un umbral basado en el alcance de la extensión lateral como paso secundario. Esto puede facilitar el seguimiento y la evaluación continuos de GA en un contexto de investigación, con miras a desarrollar eventualmente un seguimiento clínico y estrategias preventivas.

Se entrenaron instancias separadas del modelo de predicción de ML para VA estándar en dos conjuntos de datos: uno procedente de un ensayo clínico aleatorizado (el estudio FILLY) y otro de la práctica clínica de la vida real en Moorfields Eye Hospital. Los coeficientes de regresión resultantes mostraron un rendimiento predictivo mayor en el ECA que en la cohorte de la vida real, lo cual no fue inesperado. Existen diferencias en el protocolo para la medición de la AV entre las dos cohortes y es probable que los datos de la AV de la práctica clínica de la vida real contengan niveles más altos de ruido. Estos factores contribuyentes ciertamente desempeñan un papel a la hora de explicar la discrepancia observada. Sin embargo, vale la pena señalar que las mediciones de AV en Moorfields Eye Hospital siguen un protocolo estandarizado impartido por personal capacitado con altos niveles de cumplimiento y que la repetibilidad entre sesiones para AV estándar de cohortes MEH previamente reportada fue comparable a la encontrada en entornos de ensayos clínicos26. . El tamaño de muestra más pequeño de la cohorte MEH también puede haber contribuido a esta discrepancia, ya que una mayor diversidad y heterogeneidad dentro de conjuntos de datos de entrenamiento más grandes mejoran el rendimiento predictivo de los modelos de predicción de Random Forest.

A pesar de la diferencia en la fuerza de la correlación, el hecho de que la clasificación de la importancia de las características en las dos cohortes con métodos de ML llevó a la identificación de características anatómicas (pérdida de EPR, RORA) y ubicación geográfica (área foveal) muy similares en las exploraciones OCT como más predictivas de La agudeza visual estándar en ambas cohortes es novedosa y proporciona nuevos conocimientos sobre la fisiopatología de GA, especialmente en conjunto con los hallazgos de importancia de características para LLVA que se informan a continuación.

Una tercera instancia del modelo de predicción de ML para VA estándar se entrenó en conjuntos de datos combinados de las dos cohortes y mostró un rendimiento predictivo general superior al informado anteriormente en la literatura relevante. También confirmó la clasificación de importancia de características de cohortes individuales, como se muestra en el mapa de calor de probabilidad correspondiente (Fig. 2a). Es probable que el modelo de predicción general produzca predicciones más precisas que los dos modelos entrenados por separado, dadas las propiedades de la metodología Random Forest ML utilizada en este estudio.

Los bosques aleatorios son un método de aprendizaje conjunto tanto para clasificación como para regresión. Los modelos de aprendizaje conjunto en ML producen mejores resultados cuando hay diversidad entre los modelos que combinan. Los bosques aleatorios aplican bootstrapping para disminuir la varianza de los modelos resultantes (evitando así el sobreajuste), sin aumentar el sesgo (evitando así el subajuste)33. Esto significa que una mayor diversidad de datos conduce a una menor sensibilidad al ruido y a una mayor precisión de la predicción. Por lo tanto, es más probable que el modelo Random Forest desarrollado a partir de conjuntos de datos combinados de un ECA y una cohorte de práctica clínica de la vida real se generalice a otras cohortes de pacientes que predicen valores de AV que se acercan más a la AV "verdadera" en cada caso. Otra propiedad del modelado de Random Forest, conocida como 'embolsado de características', implica la selección aleatoria de subconjuntos de características en cada división, logrando así la descorrelación de características en el conjunto de entrenamiento34. Esto garantiza que la clasificación de importancia de las características sea una representación verdadera de la contribución independiente de cada característica a la predicción, al tiempo que evita la inflación de la importancia de predictores genuinamente sólidos, que podría deberse a una fuerte correlación entre las características. Al entrenar nuestros modelos, realizamos un remuestreo de arranque 100 veces.

LLVA es una evaluación sencilla, económica y rápida con equipo oftálmico estándar y tiene una repetibilidad de prueba y repetición (entre 1,6 y 1,9 logMAR [5–6,5 letras ETDRS]) comparable a la luminancia estándar VA35,36. Se ha demostrado que se correlaciona con la sensibilidad retiniana por microperimetría37 y los síntomas de visión nocturna informados por los pacientes38. La LLVA también es un marcador clínico de cambio en la función central de la retina más temprano que la VA estándar. El deterioro de la LLVA precede al deterioro de la AV estándar y, por tanto, predice una pérdida inminente de la función foveal. Esto es consistente con los análisis de correlación estructura-función presentados aquí, ya que las características más predictivas diferían entre las dos medidas de la función visual: degeneración de fotorreceptores para LLVA y pérdida de RPE y RORA para VA estándar. Esto se alinea con observaciones previas de que la degeneración de los fotorreceptores puede preceder a la pérdida del EPR y al eventual RORA en GA, así como con el conocimiento actual de que la disfunción del EPR es común a todos, o al menos a la mayoría, de la DMAE temprana39,40. Es decir, las células fotorreceptoras dependen metabólicamente del EPR y, por tanto, la degeneración surge de forma secundaria a la disfunción del EPR, que finalmente se atrofia. Además, las características dentro de las áreas no foveales fueron más predictivas de LLVA que para la AV estándar. Esto puede reflejar la muy alta densidad de conos dentro de la foveola frente a la parafóvea. Por lo tanto, la redundancia en la foveola puede enmascarar ostensiblemente la pérdida temprana de visión de luminancia estándar, aunque la agudeza visual de baja luminancia se ve afectada antes coincidiendo con la degeneración de los fotorreceptores en el área parafoveal debido a la falta de redundancia.

Esto también podría respaldar la hipótesis de que la baja sensibilidad a la luz está mediada por una función de circuito de células horizontales y amacrinas dentro de las capas plexiformes y, por lo tanto, se requiere un área más grande de mácula central preservada para LLVA41.

VA es la medida funcional más utilizada para evaluar el sistema visual. Es ampliamente aceptado en las clínicas y por las autoridades reguladoras como una medida clave de la función visual y representa el estándar de oro por el cual se juzga la eficacia del tratamiento. Se correlaciona con la calidad de vida y define umbrales funcionales clave, como la elegibilidad para conducir y el registro de personas con discapacidad visual. Sin embargo, el cambio de AV a lo largo del tiempo no es lineal, puede mejorar de un momento a otro y no captura por completo las secuelas de la AG en la función visual, ya que representa en gran medida la agudeza central de la fóvea42. Otras manifestaciones funcionales incluyen funciones parafoveales como la adaptación a la oscuridad, la velocidad de lectura, el reconocimiento facial y la perimetría. La enfermedad preservadora de la fóvea (es decir, que no afecta la AV) puede afectar otras funciones visuales (incluida la velocidad de lectura, la sensibilidad al contraste, la fijación y el VFQ-25)43. Los cambios en la función visual pueden ocurrir incluso antes del deterioro de la AV. Por lo tanto, se deben considerar otros marcadores del desempeño relacionado con la visión en la vida cotidiana para complementar la AV en pacientes con GA. Este estudio solo considera valores de AV transversales, donde la investigación futura se beneficiaría de la consideración de la AV futura y si se puede predecir.

Nuestros resultados demuestran la utilidad de los biomarcadores de imágenes segmentados automáticamente para predecir la función visual. Este es un paso importante hacia la estandarización de la atención al predecir de manera confiable la función visual "verdadera" a partir de biomarcadores de imágenes refinados habilitados por la IA y puede contribuir al desarrollo de sistemas de ayuda a la toma de decisiones en el lugar de atención para la oftalmología personalizada. Aquí hemos utilizado esta herramienta para ampliar nuestra comprensión del mecanismo fisiológico subyacente (de otro modo desconocido) de LLVA y, por lo tanto, de la progresión de AMD intermedia a GA y sus subtipos.

Datos del estudio FILLY: el conjunto de datos del estudio FILLY, que se utilizó bajo licencia para el estudio actual, no está disponible públicamente debido a restricciones de licencia. Datos de Moorfields: Los datos de Mooorfields analizados durante el estudio actual no están disponibles públicamente en este momento debido a políticas de gestión de la información relacionadas con datos clínicos de la vida real. El conjunto de datos no identificado de Moorfields estará disponible para la comunidad científica dentro del marco de Gobernanza de Datos del National HDR UK INSIGHT Hub (https://www.insight.hdrhub.org/). Dirija sus consultas sobre actualizaciones y solicitudes de acceso a datos al autor correspondiente ([email protected]).

Schmitz-Valckenberg, S. et al. ATROFIA GEOGRÁFICA: Consideraciones semánticas y revisión de la literatura. Retina 36, ​​2250–2264 (2016).

Artículo PubMed PubMed Central Google Scholar

Gass, JDM Drusen y desprendimiento y degeneración macular disciforme. Arco. Oftalmol. https://doi.org/10.1001/archopht.1973.01000050208006 (1973).

Artículo PubMed Google Scholar

Rodrigues, IA et al. Definir un conjunto mínimo de medidas de resultados estandarizadas centradas en el paciente para la degeneración macular. Soy. J. Oftalmol. 168, 1-12 (2016).

Artículo PubMed Google Scholar

Sunness, JS et al. Disfunción visual de baja luminancia como predictor de pérdida posterior de agudeza visual por atrofia geográfica en la degeneración macular relacionada con la edad. Oftalmología 115 (1480–8), 1488.e1–2 (2008).

Google Académico

Wood, LJ, Jolly, JK, Buckley, TM, Josan, AS y MacLaren, RE Agudeza visual de baja luminancia como medida clínica y medida de resultado de ensayos clínicos: una revisión del alcance. Fisiol oftálmico. Optar. 41, 213–223 (2021).

Artículo PubMed Google Scholar

Danis, RP, Lavine, JA & Domalpally, A. Atrofia geográfica en pacientes con degeneración macular seca avanzada relacionada con la edad: desafíos actuales y perspectivas futuras. Clínico. Oftalmol. 9, 2159–2174 (2015).

Artículo CAS PubMed PubMed Central Google Scholar

Keenan, TD y cols. Progresión de la atrofia geográfica en la degeneración macular asociada a la edad: Informe AREDS2 número 16. Oftalmología 125, 1913–1928 (2018).

Artículo PubMed Google Scholar

Sunness, JS Campos faciales y microperimetría para estimar la ubicación de la fijación en ojos con enfermedad macular. J. Vis. Perjudicar. Ciego. 102, 679–689 (2008).

Artículo PubMed PubMed Central Google Scholar

Stockman, A. & Sharpe, LT En la zona del crepúsculo: las complejidades de la visión mesópica y la eficiencia luminosa. Fisiol oftálmico. Optar. 26, 225–239 ​​(2006).

Artículo PubMed Google Scholar

Zele, AJ & Cao, D. Visión bajo iluminación mesópica y escotópica. Frente. Psicólogo. 5, 1594 (2014).

PubMed Google Académico

Liao, DS y cols. Pegcetacoplan, inhibidor del complemento C3, para la atrofia geográfica secundaria a la degeneración macular relacionada con la edad: un ensayo aleatorizado de fase 2. Oftalmología 127, 186-195 (2020).

Artículo PubMed Google Scholar

Kuppermann, BD y cols. Estudio de fase 2 de la seguridad y eficacia del sistema de administración de fármacos brimonidina (BRIMO DDS) de generación 1 en pacientes con atrofia geográfica secundaria a degeneración macular asociada a la edad. Retina 41, 144-155 (2021).

Artículo CAS PubMed Google Scholar

Allingham, MJ, Mettu, PS & Cousins, SW Elamipretida, un fármaco dirigido a las mitocondrias, para el tratamiento de la pérdida de visión en la DMAE seca con drusas de alto riesgo: resultados del estudio de fase 1 ReCLAIM. Etnicidad. 24, 60–60 (2019).

Google Académico

Holz, FG y cols. Protocolos de imagen en estudios clínicos en degeneración macular avanzada relacionada con la edad: recomendaciones de las reuniones de consenso de clasificación de atrofia. Oftalmología 124, 464–478 (2017).

Artículo PubMed Google Scholar

Sadda, SR y cols. Definición de consenso de atrofia asociada con la degeneración macular relacionada con la edad en OCT: Informe de clasificación de atrofia 3. Oftalmología 125, 537–548 (2018).

Artículo PubMed Google Scholar

Guymer, RH y cols. Atrofia incompleta del epitelio pigmentario de la retina y de la retina externa en la degeneración macular relacionada con la edad: informe de la reunión de clasificación de atrofia 4. Oftalmología 127, 394–409 (2020).

Artículo PubMed Google Scholar

Zhang, G. y col. Aprendizaje profundo clínicamente relevante para la detección y cuantificación de la atrofia geográfica a partir de tomografía de coherencia óptica: un estudio de desarrollo de modelos y validación externa. Dígito de lanceta. Salud. 3, e665–e675 (2021).

Artículo PubMed Google Scholar

Pfau, M. y col. Determinantes de las funciones de conos y bastones en la atrofia geográfica: correlación estructura-función basada en IA. Soy. J. Oftalmol. Rev. 217, 162–173 (2020).

Artículo PubMed Google Scholar

Sayegh, RG et al. Atrofia geográfica y cambios preservadores de la fóvea relacionados con la agudeza visual en pacientes con degeneración macular seca relacionada con la edad a lo largo del tiempo. Soy. J. Oftalmol. 179, 118-128 (2017).

Artículo PubMed Google Scholar

Gallo, V. et al. Fortalecimiento de la presentación de informes de estudios observacionales en epidemiología: epidemiología molecular (STROBE-ME): una extensión de la declaración STROBE. Mutagénesis 27, 17-29 (2011).

Artículo PubMed Google Scholar

Steinle, N. & Hamdani, M. Evaluación de factores basales sobre la progresión en un gran ensayo clínico de fase 2 para atrofia geográfica (estudio FILLY). Investigando. Oftalmol. Vis. Ciencia. 60, 973–973 (2019).

Google Académico

Göbel, AP, Fleckenstein, M., Schmitz-Valckenberg, S., Brinkmann, CK y Holz, FG Imágenes de atrofia geográfica en la degeneración macular relacionada con la edad. Oftalmológica 226, 182-190 (2011).

Artículo PubMed Google Scholar

Fu, DJ y col. Predecir cambios visuales incrementales y futuros en la degeneración macular neovascular relacionada con la edad mediante el aprendizaje profundo. Oftalmol. Retina. https://doi.org/10.1016/j.oret.2021.01.009 (2021).

Artículo PubMed Google Scholar

Schmidt-Erfurth, U. et al. Aprendizaje automático para analizar el valor pronóstico de los biomarcadores de imágenes actuales en la degeneración macular neovascular relacionada con la edad. Oftalmol. Retina. 2, 24-30 (2018).

Artículo PubMed Google Scholar

Siderov, J. & Tiu, AL Variabilidad de las mediciones de agudeza visual en una gran clínica oftalmológica. Acta Oftalmol. Escanear. 77, 673–676 (1999).

Artículo CAS PubMed Google Scholar

Patel, PJ, Chen, FK, Rubin, GS y Tufail, A. Repetibilidad entre sesiones de las puntuaciones de agudeza visual en la degeneración macular relacionada con la edad. Investigando. Oftalmol. Vis. Ciencia. 49, 4347–4352 (2008).

Artículo de Google Scholar

Bagheri, S. y col. Porcentaje de atrofia geográfica foveal versus macular total como predictor de agudeza visual en la degeneración macular relacionada con la edad. J. Vitreoretina. Dis. 3, 278–282 (2019).

Artículo PubMed PubMed Central Google Scholar

Lindner, M. y col. Autofluorescencia combinada del fondo de ojo y reflectancia del infrarrojo cercano como biomarcadores pronósticos de la agudeza visual en la atrofia geográfica preservadora de la fóvea. Investigando. Oftalmol. Vis. Ciencia. 58, 61–67 (2017).

Artículo de Google Scholar

Usted, JI, Kim, ES, Yu, S.-Y., Kim, K. et al. Correlación entre la progresión topográfica de la atrofia geográfica y los cambios en la agudeza visual. 2020. https://www.researchsquare.com/article/rs-68760/latest.pdf. Consultado el 24 de febrero de 2022.

Heier, JS y cols. Disminución de la función visual resultante de la atrofia geográfica: resultados de los ensayos de fase 3 de croma y espectro. Oftalmol. Retina. 4, 673–688 (2020).

Artículo PubMed Google Scholar

Liefers, B. et al. Un modelo de aprendizaje profundo para la segmentación de la atrofia geográfica para estudiar su historia natural a largo plazo. Oftalmología 127, 1086–1096 (2020).

Artículo PubMed Google Scholar

Liefers, B. et al. Cuantificación de características clave de la retina en la degeneración macular temprana y tardía relacionada con la edad mediante aprendizaje profundo. Soy. J. Oftalmol. 226, 1-12 (2021).

Artículo PubMed Google Scholar

Ho, TK Bosques de decisión aleatoria. En Actas de la Tercera Conferencia Internacional sobre Análisis y Reconocimiento de Documentos, Montreal, QC, 14 a 16 de agosto de 1995. 278–282 (1995).

Ho, TK Un análisis de la complejidad de los datos de las ventajas comparativas de los constructores de bosques de decisión. Patrón Anal. Aplica. 5(2), 102–112 (2002).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Lovie-Kitchin, JE & Brown, B. Repetibilidad e intercorrelaciones de pruebas de visión estándar en función de la edad. Optomato. Vis. Ciencia. https://doi.org/10.1097/00006324-200008000-00008 (2000).

Artículo PubMed Google Scholar

Pluháček, F. & Siderov, J. La agudeza visual mesópica está menos concurrida. Arco de Graefes. Clínico. Exp. Oftalmol. 256, 1739-1746 (2018).

Artículo PubMed Google Scholar

Wu, Z., Ayton, LN, Luu, CD y Guymer, RH Cambios longitudinales en la microperimetría y agudeza visual de baja luminancia en la degeneración macular relacionada con la edad. JAMA Oftalmol. 133, 442–448 (2015).

Artículo PubMed Google Scholar

Wu, Z., Guymer, RH y Finger, RP Déficit de luminancia baja y síntomas de visión nocturna en la degeneración macular relacionada con la edad intermedia. Hno. J. Oftalmol. 100, 395–398 (2016).

Artículo PubMed Google Scholar

Bird, A. Papel del epitelio pigmentario de la retina en la enfermedad macular relacionada con la edad: una revisión sistemática. Hno. J. Oftalmol. https://doi.org/10.1136/bjophthalmol-2020-317447 (2020).

Artículo PubMed Google Scholar

Bird, AC, Phillips, RL y Hageman, GS Atrofia geográfica: una evaluación histopatológica. JAMA Oftalmol. 132, 338–345 (2014).

Artículo PubMed PubMed Central Google Scholar

Owsley, C., Clark, ME, Huisingh, CE, Curcio, CA y McGwin, G. Función visual en ojos mayores con salud macular normal: asociación con incidentes de degeneración macular temprana relacionada con la edad 3 años después. Investigando. Oftalmol. Vis. Ciencia. https://doi.org/10.1167/iovs.15-18962 (2016).

Artículo de Google Scholar

Csaky, K. y col. Informe del taller de criterios de valoración de NEI/FDA sobre degeneración macular relacionada con la edad y enfermedades hereditarias de la retina. Investigando. Oftalmol. Vis. Ciencia. 58, 3456–3463 (2017).

Artículo de Google Scholar

Burguera-Giménez, N. et al. Evaluación multimodal de la función visual en atrofia geográfica versus ojos normales. Clínico. Oftalmol. 14, 1533-1545 (2020).

Artículo PubMed PubMed Central Google Scholar

Descargar referencias

Apellis Pharmaceuticals (Waltham, Massachusetts, Estados Unidos) brindó apoyo financiero y revisión crítica del manuscrito para su publicación.

Centro de Investigación Biomédica NIHR en Moorfields Eye Hospital NHS Foundation Trust, Instituto de Oftalmología de la UCL, Centro de Lectura Moorfields y Centro Clínico de IA, 162 City Rd, Londres, EC1V 2PD, Reino Unido

Constantinos Balaskas, S Glinton, L Faes, B Liefers, G Zhang, N Pontikos, R Struyven, SK Wagner, PJ Patel, PA Keane y DJ Fu

División de Epidemiología y Aplicaciones Clínicas, Instituto Nacional del Ojo, Institutos Nacionales de Salud, Bethesda, MD, EE. UU.

TDL Keenan

Apellis Pharmaceuticals, Inc., Waltham, MA, EE. UU.

A. McKeown

Departamento de Oftalmología, Centro Médico de la Universidad Erasmus, Rotterdam, Países Bajos

B. Entrega

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

KB, PAK, DJF: diseño de investigación. KB, SG, TK, LF, BL, GZ, SW, PK, DJF: Análisis de datos, interpretación, ejecución de investigaciones. Todos los autores contribuyeron a la preparación del manuscrito y aprobaron la versión final presentada. El autor para correspondencia es el único responsable de gestionar la comunicación entre coautores; que todos los autores estén incluidos en la lista de autores; el orden ha sido acordado por todos los autores; y que todos los autores tengan conocimiento de que el artículo fue enviado.

Correspondencia a Konstantinos Balaskas.

NP: Premio al desarrollo profesional de Moorfields Eye Charity (R190031A), propietario de capital, Phenopolis Ltd. DJF: Consultoría para Abbvie, Allergan, DeepMind. LF: Nada que declarar. GZ: No hay conflictos de intereses. BL: No hay conflictos de intereses. SG: Subvención benéfica Moorfields Eye (GR001003), Subvención Wellcome Trust (206619_Z_17_Z). SKW: Beca de formación en investigación clínica del MRC (MR/T000953/1). RS: No hay conflictos de intereses. PAK: Premio al desarrollo profesional de Moorfields Eye Charity (R190028A), Beca para futuros líderes de investigación e innovación del Reino Unido (MR/T019050/1); Consultoría para DeepMind, Roche, Novartis, Apellis y BitFount; propietario de acciones en Big Picture Medical; honorarios de oradores de Heidelberg Engineering, Topcon, Allergan y Bayer. KB: Honorarios de ponentes de Novartis, Bayer, Alimera, Allergan y Heidelberg, consultoría de Novartis y Roche y apoyo a la investigación de Apellis, Novartis y Bayer. PJP: Honorarios de oradores de Bayer, Heidelberg, Roche y Topcon, consultoría de Bayer, Novartis, Oxford Bioelectronics y Roche y apoyo a la investigación de Bayer. AM: Empleado de Apellis. TK: No hay conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Balaskas, K., Glinton, S., Keenan, TDL et al. Predicción de la función visual a partir de biomarcadores de tomografía de coherencia óptica cuantificados automáticamente en pacientes con atrofia geográfica mediante aprendizaje automático. Representante científico 12, 15565 (2022). https://doi.org/10.1038/s41598-022-19413-z

Descargar cita

Recibido: 22 de junio de 2022

Aceptado: 29 de agosto de 2022

Publicado: 16 de septiembre de 2022

DOI: https://doi.org/10.1038/s41598-022-19413-z

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Archivo de Graefe para oftalmología clínica y experimental (2023)

Archivo de Graefe para oftalmología clínica y experimental (2023)

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.