論文の概要: Dynamic Structural Recovery Parameters Enhance Prediction of Visual Outcomes After Macular Hole Surgery
- arxiv url: http://arxiv.org/abs/2509.09227v1
- Date: Thu, 11 Sep 2025 08:05:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-12 16:52:24.282415
- Title: Dynamic Structural Recovery Parameters Enhance Prediction of Visual Outcomes After Macular Hole Surgery
- Title（参考訳）: 黄斑円孔手術後の視力予後予測のための動的構造回復パラメータ
- Authors: Yinzheng Zhao, Zhihao Zhao, Rundong Jiang, Louisa Sackewitz, Quanmin Liang, Mathias Maier, Daniel Zapp, Peter Charbel Issa, Mohammad Ali Nasseri,
- Abstract要約: 5段階(術前,2週間,3ヶ月,6ヶ月,12ヶ月)で利用可能な経時的CTデータセットを使用した。
段別セグメンテーションモデルでは, 関連する構造と, 定量的, 複合的, 定性的, 動的特徴を自動パイプラインで抽出した。
臨床変数, OCT から得られた特徴, 生の OCT 画像を組み合わせたマルチモーダル深層学習モデルを開発し, 回帰モデルと比較した。
- 参考スコア（独自算出の注目度）: 4.873451141691835
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: To introduce novel dynamic structural parameters and evaluate their integration within a multimodal deep learning (DL) framework for predicting postoperative visual recovery in idiopathic full-thickness macular hole (iFTMH) patients. Methods: We utilized a publicly available longitudinal OCT dataset at five stages (preoperative, 2 weeks, 3 months, 6 months, and 12 months). A stage specific segmentation model delineated related structures, and an automated pipeline extracted quantitative, composite, qualitative, and dynamic features. Binary logistic regression models, constructed with and without dynamic parameters, assessed their incremental predictive value for best-corrected visual acuity (BCVA). A multimodal DL model combining clinical variables, OCT-derived features, and raw OCT images was developed and benchmarked against regression models. Results: The segmentation model achieved high accuracy across all timepoints (mean Dice > 0.89). Univariate and multivariate analyses identified base diameter, ellipsoid zone integrity, and macular hole area as significant BCVA predictors (P < 0.05). Incorporating dynamic recovery rates consistently improved logistic regression AUC, especially at the 3-month follow-up. The multimodal DL model outperformed logistic regression, yielding higher AUCs and overall accuracy at each stage. The difference is as high as 0.12, demonstrating the complementary value of raw image volume and dynamic parameters. Conclusions: Integrating dynamic parameters into the multimodal DL model significantly enhances the accuracy of predictions. This fully automated process therefore represents a promising clinical decision support tool for personalized postoperative management in macular hole surgery.
- Abstract（参考訳）: 目的: 特発性全身性黄斑円孔(iFTMH)患者の術後視力回復を予測するための新しい動的構造パラメータを導入し, 多モード深層学習(DL)フレームワーク内での統合性を評価すること。
方法: 術期, 2週間, 3ヶ月, 6ヶ月, 12カ月の5段階で, 利用可能な経時的OCTデータセットを用いて検討した。
段別セグメンテーションモデルでは, 関連する構造と, 定量的, 複合的, 定性的, 動的特徴を自動パイプラインで抽出した。
動的パラメーターと非動的パラメーターを用いて構成された2値ロジスティック回帰モデルは、最良の補正視力(BCVA)に対する漸進的な予測値を評価した。
臨床変数, OCT から得られた特徴, 生 OCT 画像を組み合わせた多モードDLモデルを開発し, 回帰モデルと比較した。
結果: セグメンテーションモデルは全タイムポイント(平均Dice > 0.89)で高い精度を達成した。
単変量および多変量解析により,BCVA予測因子として基底径,楕円体ゾーンの整合性,黄斑孔面積が同定された(P < 0.05)。
動的回復率の組み入れはロジスティック回帰AUCを継続的に改善し、特に3ヶ月のフォローアップで改善した。
マルチモーダルDLモデルはロジスティック回帰よりも優れ、AUCは高く、各段階で全体の精度が向上した。
差は最大0.12で、原画像量と動的パラメータの相補的な値を示す。
結論:マルチモーダルDLモデルに動的パラメータを統合することにより,予測精度が大幅に向上する。
この完全自動化プロセスは,黄斑円孔手術におけるパーソナライズされた術後管理のための有望な臨床診断支援ツールである。
関連論文リスト
- Leveraging Support Vector Regression for Outcome Prediction in Personalized Ultra-fractionated Stereotactic Adaptive Radiotherapy [5.497745780154633]
本研究では,GTV(Grog tumor volume)の変化を予測するためのマルチオミクスベースサポートベクター回帰(SVR)モデルを開発することを目的とする。
脳転移69例の振り返りコホートを解析した。
デルタラジオグラフィー機能は、単一点における特徴に対して予測精度を高める上で重要な役割を担っている。
論文 参考訳（メタデータ） (2025-09-09T15:57:21Z) - SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。
我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。
決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
論文 参考訳（メタデータ） (2025-07-15T01:18:28Z) - Quantum Machine Learning for Predicting Anastomotic Leak: A Clinical Study [0.16777183511743468]
AL(Anastomotic leak)は,大腸癌術後の合併症である。
本研究では、AL予測のための量子ニューラルネットワーク(QNN)の可能性について検討する。
論文 参考訳（メタデータ） (2025-06-02T14:13:10Z) - ScaleMAI: Accelerating the Development of Trusted Datasets and AI Models [46.80682547774335]
我々はAI統合データキュレーションとアノテーションのエージェントであるScaleMAIを提案する。
まず、ScaleMAIは25,362個のCTスキャンを作成した。
第2に、プログレッシブなヒューマン・イン・ザ・ループのイテレーションを通じて、ScaleMAIはFragship AI Modelを提供する。
論文 参考訳（メタデータ） (2025-01-06T22:12:00Z) - Comprehensive Multimodal Deep Learning Survival Prediction Enabled by a Transformer Architecture: A Multicenter Study in Glioblastoma [4.578027879885667]
本研究は,変圧器を用いた深層学習モデルにMR画像,臨床および分子病理学的データを統合することにより,グリオーマの生存率予測を改善することを目的とする。
このモデルは、自己教師付き学習技術を用いて、高次元MRI入力を効果的に符号化し、クロスアテンションを用いた非画像データと統合する。
論文 参考訳（メタデータ） (2024-05-21T17:44:48Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。
本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
論文 参考訳（メタデータ） (2022-03-23T12:52:49Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。
ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。
我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文 参考訳（メタデータ） (2021-04-07T01:15:06Z) - Robustly Pre-trained Neural Model for Direct Temporal Relation
Extraction [10.832917897850361]
BERT (Bidirectional Representation using Transformer) のいくつかの変種について検討した。
2012 i2b2 時間関係課題データセットのセマンティックな部分集合である直接時間関係データセットを用いて,これらの手法の評価を行った。
結果: 10倍のコーパスを含む事前学習戦略を取り入れたRoBERTaは,F値の絶対スコア(1.00スケール)を0.0864改善し,SVMモデルで達成した従来の最先端性能と比較して誤差率を24%低減した。
論文 参考訳（メタデータ） (2020-04-13T22:01:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。