Retina Hastalıklarında Biyobelirteçler-2
Okuma:258
İleri Analiz
Retinal görüntüleme yöntemlerinin karmaşıklığı artmaya devam ettikçe, klinik özellikler ile görüntüleme belirteçleri arasındaki ilişkiler, anlamlı ilişkileri ortaya çıkarmak için yapay zeka gibi gelişmiş analitikleri gerektirir. Yapay zeka artık OCT görüntülerinin, fundus fotoğrafçılığının ve diğer görüntüleme yöntemlerinin analiz edilmesine yardımcı olabiliyor ve retinanın doğru tanısal yeteneğini ve yapı-işlev haritalamasını ortaya koyuyor. Ek olarak, OCT'de dış retina kalınlığını, hiperreflektif odakları ve drusen alanını analiz etmek için yapay zekanın kullanılması prognostik yetenekler göstermiştir. Örneğin, YBMD ve coğrafi atrofisi (CA) olan hastalarda, daha ince bir dış nükleer katman, bir AI modeli kullanılarak mikroperimetri üzerindeki fonksiyonel sonuçları öngörebilmektedir. CA'nın ilerlemesi, OCT'nin derin öğrenme analizi kullanılarak değerlendirilmiştir. Burada bağlantı bölgesindeki artan hiperreflektif odak konsantrasyonları, retina pigment epiteli kaybının öngörüsüdür. Diğer çalışmalar, drusen ile birlikte OCT'de hiperreflektif odakların YBMD ilerlemesinin göstergesi olduğunu doğrulamıştır.
Her ne kadar benzer biyobelirteçler, YBMD'li hastalara teşhis koymak amacıyla yapay zeka kullanılarak fundus fotoğraflarında analiz edilse de, bu çalışmaların çoğu görüntüleme bulgularını değil, algoritmanın tanı doğruluğunu rapor etmektedir.
Yapay Zeka ve Gelecek
Yaş tip YBMD için görüntüleme belirteçleri CA'dan farklıdır; OCT en sık araştırılan görüntüleme yöntemidir. İntraretinal kistoid sıvı, subretinal sıvı ve subretinal pigment epitel sıvıyı içeren retina sıvısı dağılımı, yaş tip YBMD için görüntüleme belirteçleri olarak araştırılmıştır. Görüntü bölümlemeli yapay zeka, bu sıvıların miktarının belirlenmesine yardımcı olarak bunların klinik etkilerinin ve görsel morbidite ile ilişkilerinin daha doğru bir şekilde değerlendirilmesini sağlayabilir. CA'da yaygın olan yapısal belirteçlerden bazıları, bozulmuş fotoreseptör tabakası bütünlüğü de dahil olmak üzere yaş tip YBMD gelişimi ile ilişkilendirilmiştir. Bınlar; OCT'deki hiperreflektif bantlar ve odaklar; retina pigment epitel yırtıkları; ve koroidal özelliklerdir.
OCT'nin yapılandırılmış ve bölümlere ayrılmış sunumu göz önüne alındığında özellikle yapay zeka analizine elverişlidir ve yukarıda tanımlanan biyobelirteçler, yapay zeka kullanılarak makul bir şekilde araştırılabilir. Böylece yapay zeka algoritmaları, yaş tip YBMD ve diğer rahatsızlıkları olan hastaları tedavi eden retina uzmanları için teşhisleri iyileştirmek ve klinik karar almayı desteklemek amacıyla klinik bağlamlarda uygulanabilir.
Sonuç:
Daha yeni OCT modelleri tarama hızını ve penetrasyon derinliğini artırdıkça ve sinyal-gürültü oranını düşürdükçe, görüntülemede retinanın daha fazlası görülecektir.
Klinik özellikler ve görüntüleme belirteçleri arasındaki ilişkiler, anlamlı ilişkileri ortaya çıkarmak için yapay zeka gibi gelişmiş analizler gerektirir.
Yaş tip YBMD için görüntüleme belirteçleri olarak intraretinal kistoid sıvı, subretinal sıvı ve subretinal pigmentli epitel sıvısı dahil retina sıvısı dağılımı araştırılmıştır.
[Kaynaklar: 1- JSchmidt-Erfurth U, Waldstein SM, et al. Prediction of individual disease conversion in early AMD using artificial intelligence. Invest Opthalmol Vis Sci. 2018;59(8):3199. 2- Sodhi SK, Pucchio A, Choudhry N. An Overview of Biomarkers in Retinal Disease. Retina Today. 2022; April: 46-48. 3- Dong L, Yang Q, Zhang RH, Wei WB. Artificial intelligence for the detection of age-related macular degeneration in color fundus photographs: A systematic review and meta-analysis. Eclinicalmedicine. 2021;35:100875.]
Not: Katkılarından dolayı Dr. Mehmet ÇITIRIK’a teşekkür ederiz.
Web sitesindeki bu bilgiyi, sunu ve yayınlarınızda aşağıdaki şekilde kaynak göstererek kullanabilirsiniz.
(Çıtırık M, Teke MY. Retinal Vazoproliferatif Tümörlerde Tedavi-2. http://www.retinaclub.com/ Son Güncellenme Tarihi 01/08/2024).
