Wykrywanie progresji rogówki za pomocą uczenia maszynowego

Keratoconus (KC) jest dwustronną chorobą oka charakteryzującą się postępującym przerzedzeniem i stropią rogówki, zwykle w obszarze podnotemporalnym. Choroba często występuje asymetrycznie, ponieważ staw jest poważniej na jedno oko. Zmiany leżące u podstaw KC prowadzą do generowania nieregularnego astygmatyzmu, co powoduje zmniejszoną ostrość wzroku pacjentów, a nawet mogą prowadzić do blizn osiowych rogówki w zaawansowanych stadiach. Choroba zwykle występuje w drugiej lub trzeciej dekadzie życia, ale może się rozwijać w każdym wieku. KC jest złożonym stanem obejmującym czynniki środowiskowe, takie jak wiek, pocieranie oczu, używanie soczewek kontaktowych, atopia, ekspozycja na słońce, hormony, toksyny, a także składnik genetyczny. Jednak sposób, w jaki czynniki te przyczyniają się do choroby, jest nadal nieznany i mogą istnieć różnice wewnątrzosobnicze.

KC można podzielić na różne formy oparte na stadium choroby. W klinicznym KC istnieją zarówno wyniki lampy topograficznej, jak i szczelinowej choroby.

Znaczenie obrazowania nabłonka rogówki w diagnozie rogówki rogówki zostało dodatkowo wykazane w kilku badaniach klinicznych. Jako nowe urządzenia optyczna tomografia koherencyjna przedniego (AS-OCT) zapewniają bardziej szczegółowe pomiary na przykład nabłonka rogówki. Ta warstwa może zatem być interesującym markerem prognozowania progresji KC i przyczynić się do wcześniejszej diagnozy, a także lepszego wyniku choroby.

Celem tego retrospektywnego badania jest zatem ustalenie, czy różne dane topograficzne i objętościowe, na przykład mapy grubości nabłonkowej (ETM), mogą być niezawodnie użyte do przewidywania postępu KC za pomocą algorytmu uczenia maszynowego.