Key points are not available for this paper at this time.
O desenvolvimento da tecnologia de telemedicina proporcionou novas oportunidades para o diagnóstico e tratamento de pacientes com Edema Macular Diabético (EMD), especialmente após a terapia anti-fator de crescimento endotelial vascular (VEGF), e a predição precisa da acuidade visual (AV) dos pacientes é importante para otimizar planos de tratamento de acompanhamento. No entanto, os métodos de predição automatizados atuais frequentemente exigem intervenção humana e têm baixa interpretabilidade, dificultando sua aplicação ampla em cenários de telemedicina. Portanto, um modelo de predição automatizado e eficiente com boa interpretabilidade é urgentemente necessário para melhorar os resultados do tratamento de pacientes com EMD em contextos de telemedicina. Neste estudo, propomos um algoritmo multimodal baseado em uma estrutura de aprendizado semi-supervisionado, que visa combinar imagens de tomografia de coerência óptica (OCT) e dados clínicos para prever automaticamente os valores de AV dos pacientes após o tratamento anti-VEGF. Nossa abordagem realiza primeiro a segmentação retinal das imagens de OCT por meio de um quadro de aprendizado semi-supervisionado, que por sua vez extrai biomarcadores-chave, como a espessura retinal central (ERC). Subsequentemente, essas características são combinadas com os dados clínicos do paciente e alimentadas em um algoritmo de aprendizado multimodal para a predição de AV. Nosso modelo se destacou na Competição de Big Data da Sociedade de Tele-Oftalmologia da Ásia-Pacífico (APTOS), conquistando o quinto lugar na pontuação geral e o terceiro lugar na precisão da predição de AV. A segmentação retinal alcançou uma precisão de 99,03 ± 0,19% no conjunto de dados HZO. Essa estrutura algorítmica multimodal é importante no contexto da telemedicina, especialmente para o tratamento de pacientes com EMD.
Wang et al. (quarta-feira) estudaram essa questão.