Standardiserad cornealtopografidriven AI för ortokeratologi anpassning 

Syftet med studien var att utveckla ett standardiserat AI-system som kombinerar hornhinnetopografibilder och numeriska parametrar för att förbättra anpassningen av ortokeratologilinser (OK-linser), vilket är viktigt vid behandling av myopi. En viktig del i detta arbete var att skapa en enhetsoberoende metod för att standardisera hornhinnetopografi, vilket hittills har varit en barriär för att bygga generella AI-modeller inom detta område.

Data från 1153 patienter med Euclid OK-linser analyserades, varav 519 ögon valdes ut för modellträning baserat på korrekt behandlingszonavvikelse. En hybrid AI-modell byggdes, där djupinlärning analyserade topografibilder och maskininlärning hanterade numeriska parametrar.

Målet var att förutsäga två nyckelkomponenter i linsanpassning: anpassningskurva (AC) och cylinderkraft (CP). Modellen använde multitask learning för att hantera sambandet mellan dessa två parametrar.

Resultaten visade att: De numeriska modellerna gav hög precision för både AC och CP. Den bildbaserade modellen presterade acceptabelt för AC, men var mindre tillförlitlig för CP. Hybridmodellen överträffade båda med mycket hög precision i både AC och CP.

Slutsatsen är att det föreslagna AI-systemet inte bara förbättrar precisionen i OK-linsanpassning, utan även ökar modellens generaliserbarhet genom standardisering av topografidata över olika enheter. Det utgör därmed ett viktigt steg mot mer pålitliga och individualiserade AI-lösningar för myopikontroll.

Sammanfattning: Catarina Ericson

Läs artikeln här!