基于深度学习的OCTA量化与建模预测mCNV长期抗VEGF疗效

近视性脉络膜新生血管（mCNV）是病理性近视继发的威胁视力的并发症之一。 玻璃体内注射抗血管内皮生长因子（VEGF）是其一线治疗方法。 然而，mCNV容易复发且长期视力下降，目前尚无明确方法预测其长期预后。 本项目旨在利用光学相干断层扫描血管成像（OCTA）图像对mCNV进行长期随访和多维定量分析。 目标是评估mCNV抗VEGF治疗后的长期预后指标，如复发和长期视力，并基于多模态临床数据构建抗VEGF疗效的深度学习（DL）预测模型，最终实现治疗个性化。

首先，将利用深度学习技术对OCTA图像中的mCNV进行分割和定量分析，获取多维定量参数。 这些包括基于OCTA的mCNV面积和血管连接点（VJ）。 患者将在治疗后定期随访两年，监测注射次数、mCNV复发情况、OCT和OCTA定量参数、眼底脉络膜视网膜萎缩病变及视力状态。 将构建一个多模态DL预测模型，主要基于OCTA图像中mCNV的多维定量特征。 该模型旨在识别预测mCNV抗VEGF治疗后最佳矫正视力和复发的敏感指标，并阐明治疗效果、基线病变状态与治疗方案选择之间的关系。

本研究将为临床评估mCNV抗VEGF治疗的长期疗效开辟新途径，显著提高疗效评估的效率和准确性，并为个性化抗VEGF治疗方案提供重要参考，具有重要的临床意义。