”
文章信息
2024年8月14日，来自维也纳医科大学OPTIMA实验室的Ursula Schmidt-Erfurth团队在《Ophthalmology》（IF: 13.1）上发表了题为Response to Pegcetacoplan for Geographic Atrophy Identified by Deep Learning-Based Analysis of OCT的论文。研究通过基于OCT的深度学习识别并量化了感光细胞（PR）和视网膜色素上皮（RPE）的退化，验证了补体C3抑制剂对GA病变发展的显著控制作用。
研究目的：
使用基于深度学习的OCT图像分析，量化Pegcetacoplan治疗下GA患者PR层和RPE层的形态学变化
研究对象：
两项AMD相关GA的前瞻性随机III期临床试验（OAKS和DERBY）中总计897名患者
研究干预：
患者按照2:2:1:1的比例随机接受每月注射1次Pegcetacoplan 15 mg/0.1 mL（PM组）、每两月注射1次Pegcetacoplan 15 mg/0.1 mL（PEOM组）、每月假注射或每两月假注射治疗
研究时间：
随访期为24个月，第一年所有患者均需每月随访；第二年，接受“每两月”治疗的患者每两个月随访一次，其余患者每月随访
研究类型：
实验性研究-随机对照研究；前瞻性研究
结局指标：
RPE层和椭圆带（EZ）损失面积在各组中随时间的变化情况
Ursula Schmidt-Erfurth
OCT结合深度学习
揭秘地图样萎缩
本研究的OCT数据来自两项前瞻性、多中心、随机、双盲、假注射对照的III期临床试验（OAKS；DERBY），共纳入897 名患者的 897 只眼睛。
基于OCT的AI可视化技术，研究者能够全面可视化RPE损失和PR退化，并发现EZ层的丧失在时间上早于RPE层的丧失，提示其对于GA病变活动性具有重要预测价值。
补体抑制被认为是GA的一种有前景的治疗策略，Pegcetacoplan治疗显示出对GA病变发展的显著抑制。OCT技术与深度学习结合发现，Pegcetacoplan治疗对PR完整性丧失（表现为EZ层丧失）的抑制作用比对RPE丧失的抑制作用更为明显。
研究的局限性包括部分病变在24个月时扩展至超出OCT分析的视野，且OCT成像可能受时间和扫描方向的影响，但AI技术的进步将有助于进一步提升未来研究和临床应用的准确性。
原文：
https://www.aaojournal.org/article/S0161-6420(24)00487-1/fulltext
编辑：吴彦池
排版：bonbon
校对：杨诗歌
审核：曹秋晨
转载须知：
本文为枢界centrangle原创文献阅读笔记
如需转载请标明来源
扫码加入群聊，尽享文献全文
