对新生血管性年龄相关性黄斑变性(NAMD)的治疗要求的基于机器学习的预测

发明人：

A·毛恩茨；A·诺伊贝特；A·塔尔哈默；以及戴柬

相关申请的交叉引用

本申请要求于2021年4月7日提交的标题为“Machine Learning-BasedPrediction of Treatment Requirements for Neovascular Age-Related MacularDegeneration(nAMD)”的美国临时专利申请第63/172,082号的优先权，该美国临时专利申请全文以引用的方式并入本文。

技术领域

本申请涉及新生血管性年龄相关性黄斑变性(nAMD)的治疗要求，并且更具体地，涉及使用谱域光学相干断层扫描(SD-OCT)对nAMD的治疗要求进行的基于机器学习的预测。

背景技术

年龄相关黄斑变性(AMD)是50岁和以上患者视力损失的主要原因。AMD最初表现为干性AMD，然后进展为湿性AMD，也被称为新生血管性AMD(nAMD)。对于干性，视网膜上的黄斑下会形成小的沉积物(玻璃膜疣)，导致视网膜最终退化。对于湿性，起源于眼睛的脉络膜层的异常血管生长到视网膜中，以及流体从血液渗漏到视网膜中。一旦进入视网膜，流体可能立即扭曲受试者的视力，并且随时间推移，可能损害视网膜本身，例如导致视网膜中的光受体的损失。流体可能导致黄斑与其基部分离，从而造成严重和急性视力丧失。

抗血管内皮生长因子(抗VEGF)药剂经常用于治疗湿性AMD(或nAMD)。具体地，抗VEGF药剂可以使受试者的视网膜变干，使得可以更好地控制受试者的湿性AMD，从而减少或防止永久性视力丧失。抗VEGF药剂通常经由玻璃体内注射施用，这既不受受试者欢迎，又可能伴随副作用(例如，红眼、眼痛、感染等)。注射的次数或频率也可能给患者带来负担，并且导致对疾病的控制下降。

发明内容

在一个或多个实施例中，提供了一种用于管理对被诊断有新生血管性年龄相关性黄斑变性(nAMD)的受试者的治疗的方法。接收受试者的视网膜的谱域光学相干断层扫描(SD-OCT)成像数据。使用SD-OCT成像数据针对多个视网膜特征提取视网膜特征数据，该多个视网膜特征与一组视网膜流体或一组视网膜层中的至少一者相关联。将使用多个视网膜特征的视网膜特征数据形成的输入数据发送到第一机器学习模型中。基于输入数据，经由第一机器学习模型预测待施用于受试者的抗血管内皮生长因子(抗VEGF)治疗的治疗水平。

在一个或多个实施例中，提供了一种用于管理对被诊断有新生血管性年龄相关性黄斑变性(nAMD)的受试者的抗血管内皮生长因子(抗VEGF)治疗的方法。使用训练输入数据训练机器学习模型以预测抗VEGF治疗的治疗水平，其中训练输入数据是使用训练光学相干断层扫描(OCT)成像数据形成的。针对所训练的机器学习模型接收输入数据，该输入数据包括多个视网膜特征的视网膜特征数据。使用输入数据，经由所训练的机器学习模型预测待施用于受试者的抗VEGF治疗的治疗水平。

在一个或多个实施例中，一种用于管理对被诊断有新生血管性年龄相关性黄斑变性(nAMD)的受试者的抗血管内皮生长因子(抗VEGF)治疗的系统包括：存储器，其包含机器可读介质，该机器可读介质包括机器可执行代码；以及处理器，其耦合到存储器。处理器被配置为执行机器可执行代码以使该处理器：接收受试者的视网膜的谱域光学相干断层扫描(SD-OCT)成像数据；使用SD-OCT成像数据提取多个视网膜特征的视网膜特征数据，该多个视网膜特征与一组视网膜流体或一组视网膜层中的至少一者相关联；将使用多个视网膜特征的视网膜特征数据形成的输入数据发送到第一机器学习模型中；以及基于输入数据，经由第一机器学习模型预测待施用于受试者的抗血管内皮生长因子(抗VEGF)治疗的治疗水平。

在一些实施例中，提供了一种系统，其包括一个或多个数据处理器和非暂态计算机可读存储介质，其包含指令，所述指令当在所述一个或多个数据处理器上执行时，促使所述一个或多个数据处理器执行本文所公开的一种或多种方法的一部分或全部。

在一些实施例中，提供了一种计算机程序产品，其有形地体现在非暂时性机器可读存储介质中，并且包括被配置为使一个或多个数据处理器进行本文所公开的一种或多种方法的一部分或全部的指令。

本公开的一些实施例包括一种系统，其包括一个或多个数据处理器。在一些实施例中，该系统包括包含指令的非暂时性计算机可读存储介质，这些指令在一个或多个数据处理器上被执行时使该一个或多个数据处理器执行本文中所公开的一种或多种方法的一部分或全部和/或本文中所公开的一种或多种过程的一部分或全部。本公开的一些实施例包括一种有形地体现在非暂时性机器可读存储介质中的计算机程序产品，其包括指令，所述指令被配置为使一个或多个数据处理器执行本文公开的一种或多种方法的一部分或全部和/或本文公开的一种或多种过程的一部分或全部。

已采用的术语和表达被用作描述性而非限制性的术语，并且在使用这些术语和表达时，无意排除所示出和描述的特征或其部分的任何等同物，但是应当认识到，在所要求保护的本发明的范围内，各种修改是可能的。因此，应当理解，尽管已通过实施例和任选特征具体地公开了所要求保护的本发明，但是本领域技术人员可以采用本文所公开的概念的修改和变化，并且认为这样的修改和变化在由所附权利要求限定的本发明范围内。

附图说明

为了更完整地理解本文所公开的原理及其优点，现参考以下结合附图进行的描述，在附图中：

图1是根据一个或多个实施例的治疗管理系统的框图。

图2是根据一个或多个实施例的在训练模式中使用的来自图1的治疗水平预测系统的框图。

图3是根据一个或多个实施例的用于管理对被诊断有nAMD的受试者的治疗的过程的流程图。

图4是根据一个或多个实施例的用于管理对被诊断有nAMD的受试者的治疗的过程的流程图。

图5是根据一个或多个实施例的用于管理对被诊断有nAMD的受试者的治疗的过程的流程图。

图6是根据一个或多个实施例的分割OCT图像的图示。

图7是根据一个或多个实施例的分割OCT图像的图示。

图8是示出根据一个或多个实施例的对“低”治疗水平分类的5倍交叉验证的结果的图。

图9是示出根据一个或多个实施例的对“高”治疗水平分类的5倍交叉验证的结果的图。

图10是示出根据一个或多个实施例的对“高”治疗水平分类的重复5倍交叉验证的结果的AUC数据图。

图11是示出根据一个或多个实施例的计算机系统的示例的框图。

应当理解，附图不一定按比例绘制，图中的对象也不一定相对于彼此按比例绘制。附图是旨在清楚和理解本文公开的设备、系统和方法的各种实施例的描绘。在可能的情况下，将在整个附图中使用相同的附图标记来指代相同或相似的部分。此外，应当理解，附图不旨在以任何方式限制本教导的范围。

具体实施方式

I.概述

新生血管性年龄相关性黄斑变性(nAMD)可以用抗血管内皮生长因子(抗VEGF)药剂治疗，这些药剂被设计成通过使受试者的视网膜干燥来治疗nAMD，以避免或减少永久性视力丧失。抗VEGF药剂的示例包括雷珠单抗和阿柏西普。通常，抗VEGF药剂经由玻璃体内注射以约每四周至约每八周的频率施用。然而，一些患者可能不需要如此频繁的注射。

治疗的频率通常可能会给患者带来负担，并且可能导致现实世界中的疾病控制的下降。例如，在初始治疗阶段之后，可以安排患者在必要时(PRN)或需要时的时间段内每月定期就诊。该PRN时间段可以为例如21个月至24个月，或某一其他数目个月。对于不需要频繁治疗的患者来说，在PRN时间段期间每月前往诊所就诊可能为繁重的。例如，当患者在整个PRN时间段期间只需要5次或更少次注射时，每月前往就诊可能过于繁重。因此，患者对就诊的依从性可能随时间推移而降低，从而导致疾病控制下降。

因此，需要允许预测抗VEGF治疗要求的方法和系统，以帮助指导和确保通过注射抗VEGF药剂来有效治疗nAMD患者。本文中所描述的实施例提供了用于预测患者将需要的治疗水平的方法和系统。

一些患者可能具有“低”治疗需求或要求，而另一些患者可能具有“高”治疗需求或要求。用于定义这些治疗水平(即，“低”或“高”治疗水平)的阈值可以基于抗VEGF注射的次数和施用注射的时间段。例如，在24个月内接受8次或更少次抗VEGF注射的患者可以被视为具有“低”治疗水平。例如，患者可以每月接受抗VEGF注射，持续三个月，并且在21个月的PRN时间段内接受五次或更少次抗VEGF注射。另一方面，在24个月的时间段内接受19次或更多次抗VEGF注射的患者可以被视为属于具有“高”治疗水平的患者组。例如，患者可以每月接受抗VEGF注射，持续三个月，并且在21个月的PRN时间段内接受16次或更多次注射。

另外，可以评估其他治疗水平，诸如例如指示介于“低”与“高”治疗需求或要求之间的治疗要求的“中等”治疗水平(例如，在24个月的时间段内进行9次至18次注射)。施用于患者的注射的频率可以基于有效减少或预防nAMD的眼科并发症(诸如但不限于血管流体渗漏到视网膜中等)之所需。

本文中所描述的实施例使用机器学习模型来预测治疗水平。在一个或多个实施例中，可以获得患有nAMD的受试者的眼睛的谱域光学相干断层扫描(SD-OCT)图像。OCT是一种成像技术，其中将光引导到生物样品(例如，诸如眼睛的生物组织)处，并且收集从该生物样品的特征反射的光以捕获生物样品的二维或三维高分辨率横截面图像。在SD-OCT(也被称为傅立叶域OCT)中，信号被检测为光频率的函数(例如，与时间的函数相反)。

可以使用被配置为自动分割SD-OCT图像并且生成分割图像的机器学习(ML)模型(例如，深度学习模型)来处理SD-OCT图像。这些分割图像在像素级别上识别一个或多个视网膜流体、一个或多个视网膜层或这两者。然后，可以从这些分割图像提取定量视网膜特征数据。在一个或多个实施例中，机器学习模型被训练用于分割和特征提取两者。

视网膜特征可以与一个或多个视网膜病变(例如，视网膜流体)、一个或多个视网膜层或这两者相关联。视网膜流体的示例包括但不限于视网膜内液(IRF)、视网膜下液(SRF)、与色素上皮脱离(PED)相关联的流体以及视网膜下高反射材料(SHRM)。视网膜层的示例包括但不限于内界膜(ILM)层、外网状层-亨利纤维层(OPL-HFL)、内边界视网膜色素上皮脱离(IB-RPE)、外边界视网膜色素上皮脱离(OB-RPE)以及布鲁赫膜(BM)。

本文中所描述的实施例可以使用另一机器学习模型(例如，符号模型)来处理视网膜特征数据(例如，从分割图像提取的一些或全部视网膜特征数据)，并且预测治疗水平(例如，治疗水平的分类)。不同的视网膜特征对于经预测的治疗水平可能具有不同程度的重要性。例如，在早期抗VEGF治疗阶段期间(例如，在上述24个月的治疗计划期间的抗VEGF治疗的第二个月)与PED相关联的一个或多个特征可能与在PRN阶段期间的低治疗水平密切相关联。作为另一示例，在早期抗VEGF治疗阶段期间(例如，在24个月的治疗计划期间的抗VEGF治疗的第一个月)与SHRM相关联的一个或多个特征可能与高治疗水平密切相关联。

通过经预测的治疗水平，可以生成输出(例如，报告)，这将帮助指导整体治疗管理。例如，当经预测的治疗水平较高时，输出可以识别一组严格协议，这些协议可以用来确保患者依从诊所就诊。当经预测的治疗水平较低时，输出可以识别一组更宽松协议，这些协议可以用来减轻患者的负担。例如，在患者不必每月前往诊所就诊的情况下，输出可以识别患者可以每两个月或每三个月在诊所接受一次评估。

使用由机器学习模型(例如，深度学习模型)生成的自动分割图像来自动提取视网膜特征数据以用于经由另一机器学习模型(例如，符号模型)预测治疗水平可以减少预测治疗水平所需的整体计算资源和/或时间，并且可以确保提高经预测的治疗水平的准确性。使用这些方法可以提高预测治疗水平的效率。此外，能够准确且高效地预测治疗水平可以帮助整体nAMD治疗管理，从而减轻nAMD患者的整体负担。

认识到并考虑到可以提供上述改良的方法和系统的重要性和实用性，本文中所描述的实施例使得能够预测对nAMD的抗VEGF药剂注射的治疗要求。更特别地，本文中所描述的实施例使用SD-OCT和基于ML的预测模型来预测对患有nAMD的患者的抗VEGF治疗要求。

II.示例性定义和上下文

本公开不限于这些示例性实施例和应用，也不限于示例性实施例和应用的操作方式或本文描述的方式。此外，附图可能显示简化或局部视图，并且附图中元件的尺寸可能被夸大或不成比例。

另外，在本文中使用术语“在……上”、“附接到”、“连接到”、“耦合到”或类似词语时，一个元件(例如，部件、材料、层、基板等)可以“在另一元件上”、“附接到另一元件”、“连接到另一元件”或“耦合到另一元件”，而不管一个元件是直接在另一元件上、直接附接到另一元件、直接连接到另一元件或直接耦合到另一元件，还是在一个元件与另一元件之间存在一个或多个中间元件。此外，在提及元件列表(例如，元素a、b、c)的情况下，此类提及旨在包括单独列出的任何一种元件、少于所有列出的元件的任何组合和/或所有列出的元件的组合。规范中的章节划分仅为便于审查，并不限制所讨论元件的任何组合。

术语“受试者”可以指临床试验的个体、正在接受治疗的人、正在接受抗癌治疗的人、正在接受缓解或恢复监测的人、正在接受预防性健康分析的人(例如，由于其病史)或任何其他目的人或患者。在各种情况下，“受试者”和“个体”在本文可以互换使用。在各种情况下，“受试者”也可以被称为“患者”。

除非另有定义，否则与本文所描述的本教导结合使用的科学和技术术语应具有本领域普通技术人员通常理解的含义。此外，除非上下文另有要求，否则单数术语应包括复数，而复数术语应包括单数。通常，本文描述了与化学、生物化学、分子生物学、药理学和毒理学结合使用的命名法和技术，这些命名法和技术是本领域中众所周知和常用的那些。

如本文所用，“基本上”意味着足以达到预期目的。因此，术语“基本上”允许相对于绝对或理想的状态、尺寸、测量、结果等的微小、无关紧要的变化，诸如本领域普通技术人员所期望而其又不会明显影响整体性能的。当相对于数值或可表示为数值的参数或特性使用时，“基本上”意指百分之十以内。

如本文所用，关于数值或可以表示为数值的参数或特征使用的术语“约”意味着在数值的百分之十内。例如，“约50”意味着45到55范围内的值，包括端值。

术语“一个(ones)”意味着不止一个。

如本文所用，术语“多个”可以是2、3、4、5、6、7、8、9、10个或更多。

如本文所用，术语“一组”是指一个或多个。例如，一组项目包括一个或多个项目。

如本文所用，短语“……中的至少一者”在与项目列表一起使用时表示可以使用所列项目中的一个或多个的不同组合，并且可能仅需要列表中的一个项目。项目可以是特定的对象、事物、步骤、操作、过程或类别。换言之，“……中的至少一者”是指列表中可以使用的任何项目组合或项目数量，但并非列表中的所有项目都是必需的。例如但非限制性地，“项目A、项目B或项目C中的至少一者”指项目A；项目A和项目B；项目B；项目A、项目B和项目C；项目B和项目C；或项目A和C。在一些情况下，“项目A、项目B或项目C中的至少一者”是指但不限于项目A中的两个、项目B中的一个和项目C中十个；项目B中的四个和项目C中的七个；或某种其他合适的组合。

如本文所用，“模型”可以包括一种或多种算法、一种或多种数学技术、一种或多种机器学习算法或者它们的组合。

如本文所用，“机器学习”可以是使用算法来解析数据、从中学习，然后对世界上的某事做出确定或预测的实践。机器学习可以使用可以从数据学习，而无需依赖基于规则的编程的算法。

如本文所用，“人工神经网络”或“神经网络”(NN)可以指模拟一组互连的人工神经元的数学算法或计算模型，其基于连接主义计算方法而处理信息。神经网络(其也可以被称为神经网)可以使用线性单元、非线性单元或这两者的一个或多个层来预测针对接收输入的输出。除了输出层之外，一些神经网络还包括一个或多个隐藏层。每个隐藏层的输出可以用作网络中下一层的输入，即下一个隐藏层或输出层。网络的每一层可以根据相应一组参数的当前值，从接收到的输入生成输出。在各种实施例中，对“神经网络”的引用可以是对一个或多个神经网络的引用。

神经网络可以通过两种方式处理信息。例如，神经网络可以当其正在训练模式中被训练时以及当其在推理(或预测)模式中将所学知识付诸实践时处理信息。神经网络可以通过反馈过程(例如，反向传播)进行学习，该反馈过程允许网络调整中间隐藏层中各个节点的权重因子(修改其行为)，以便输出与训练数据的输出相匹配。换句话说，神经网络可以通过被馈送训练数据(学习示例)学习并最终学习如何获得正确的输出，即使其呈现为具有新的输入范围或集。神经网络可以包括例如但不限于前馈神经网络(FNN)、递归神经网络(RNN)、模块化神经网络(MNN)、卷积神经网络(CNN)、残差神经网络(ResNet)、常微分方程神经网络(neural-ODE)、挤压和激发嵌入神经网络、MobileNet或其他类型的神经网络中的至少一者。

如本文所用，“深度学习”可以指使用多层人工神经网络从输入数据(诸如图像、视频、文本等)自动学习表示，而无需人类提供的知识，以在诸如物体检测/识别、语音识别、语言翻译等任务中提供高度准确的预测。

III.新生血管性年龄相关性黄斑变性(NAMD)治疗管理

III.A.示例性治疗管理系统

现在参考附图，图1是根据一个或多个实施例的治疗管理系统100的框图。治疗管理系统100可以用于管理对被诊断有新生血管性年龄相关性黄斑变性(nAMD)的受试者的治疗。在一个或多个实施例中，治疗管理系统100包括计算平台102、数据存储装置104和显示系统106。计算平台102可以采取各种形式。在一个或多个实施例中，计算平台102包括单个计算机(或计算机系统)或相互通信的多个计算机。在其他实例中，计算平台102采用云计算平台、移动计算平台(例如，智能手机、平板电脑等)或它们的组合的形式。

数据存储器104和显示系统106各自与计算平台102通信。在一些实例中，数据存储器104、显示系统106或两者可以被认为是计算平台102的一部分或以其它方式与其成一体。因此，在一些实例中，计算平台102、数据存储器104和显示系统106可以是相互通信的单独部件，但是在其它实例中，这些部件的一些组合可以集成在一起。

III.A.i.预测模式

治疗管理系统100包括治疗水平预测系统108，该治疗水平预测系统可以使用硬件、软件、固件或它们的组合来实施。在一个或多个实施例中，治疗水平预测系统108在计算平台102中实施。治疗水平预测系统108包括特征提取模块110和预测模块111。特征提取模块110和预测模块111中的每一者都可以使用硬件、软件、固件或它们的组合来实施。

在一个或多个实施例中，特征提取模块110和预测模块111中的每一者都使用一个或多个机器学习模型来实施。例如，特征提取模块110可以使用视网膜分割模型112来实施，而预测模块111可以使用治疗水平分类模型114来实施。

视网膜分割模型112至少用于处理OCT成像数据118，并且生成识别一个或多个视网膜病变(例如，视网膜流体)、一个或多个视网膜层或这两者的分割图像。在一个或多个实施例中，视网膜分割模型112采用机器学习模型的形式。例如，视网膜分割模型112可以使用深度学习模型来实现。深度学习模型可以由例如但不限于一个或多个神经网络构成。

在一个或多个实施例中，治疗水平分类模型114可以用于对治疗的治疗水平进行分类。该分类可以是例如二元(例如，高和低；或高和不高)分类。在其他实施例中，可以使用一些其他类型的分类(例如，高、中和低)。在一个或多个实施例中，治疗水平分类模型114使用符号模型来实现，该符号模型也可以被称为基于特征的模型。符号模型可以包括例如但不限于极限梯度提升(XGBoost)算法。

特征提取模块110接收被诊断有nAMD的受试者的受试者数据116作为输入。受试者可以是例如正在接受、已经接受或将要接受针对对nAMD病况的治疗的患者。治疗可以包括例如抗血管内皮生长因子(抗VEGF)药剂，该药剂可以经由多次注射(例如，玻璃体内注射)施用。

受试者数据116可以从远程装置(例如，远程装置117)接收、从数据库检索或以某种其他方式接收。在一个或多个实施例中，从数据存储104检索受试者数据116。

受试者数据116包括被诊断有nAMD的受试者的视网膜的光学相干断层扫描(OCT)成像数据118。OCT成像数据118可以包括例如谱域光学相干断层扫描(SD-OCT)成像数据。在一个或多个实施例中，OCT成像数据118包括在治疗之前的时间、刚好治疗之前的时间、刚好第一次治疗之后的时间、另一时间点或其组合处捕获的一个或多个SD-OCT图像。在一些示例中，OCT成像数据118包括在初始治疗阶段(例如，M0-M2月份的3个月初始阶段)期间生成的一个或多个图像。在初始阶段期间，每月经由注射施用治疗，持续3个月。

在一个或多个实施例中，受试者数据116进一步包括临床数据119。临床数据119可以包括例如一组临床特征的数据。该一组临床特征可以包括例如但不限于最佳矫正视力(BCVA)(例如，对于治疗之前的基线时间点)、中心子视野厚度(CST)(例如，从一个或多个OCT图像提取)、脉搏、收缩压(SBP)、舒张压(DBP)或它们组合。该临床数据119可以在治疗之前的基线时间点和/或在治疗阶段期间的另一时间点生成。

特征提取模块110使用OCT成像数据118来提取多个视网膜特征的视网膜特征数据120。视网膜特征数据120包括与受试者的视网膜相关联的各种特征的值。例如，视网膜特征数据120可以包括与一个或个视网膜病变(例如，视网膜流体)、一个或个视网膜层或这两者相关联的各种特征的值。视网膜流体的示例包括但不限于视网膜内液(IRF)、视网膜下液(SRF)、与色素上皮脱离(PED)相关联的流体以及视网膜下高反射材料(SHRM)。视网膜层的示例包括但不限于内界膜(ILM)层、外网状层-亨利纤维层(OPL-HFL)、内边界视网膜色素上皮脱离(IB-RPE)、外边界视网膜色素上皮脱离(OB-RPE)以及布鲁赫膜(BM)。

在一个或多个实施例中，特征提取模块110将受试者数据116(例如，OCT成像数据118)的至少一部分输入到视网膜分割模型112(例如，深度学习模型)中以识别一个或多个视网膜片段。例如，视网膜分割模型112可以生成按像素识别一个或多个视网膜片段的分割图像(例如，分割OCT图像)。视网膜片段可以是例如将图像的一部分识别为视网膜病变(例如，流体)、视网膜层的边界或视网膜层。例如，视网膜分割模型112可以生成识别一组视网膜流体片段122、一组视网膜层片段124或这两者的分割图像。一组视网膜流体片段122中的每个片段对应于视网膜流体。一组视网膜层124中的每个片段对应于视网膜层。

在一个或多个实施例中，视网膜分割模型112已被训练以输出识别一组视网膜流体片段122的图像和识别一组视网膜层片段124的图像。然后，特征提取模块110可以使用识别一组视网膜流体片段122和一组视网膜层片段124的这些图像来识别视网膜特征数据120。例如，特征提取模块110可以使用图像来执行测量、计算或这两者，以识别视网膜特征数据120。在其他实施例中，视网膜分割模型112被训练以基于一组视网膜流体片段122、一组视网膜层片段124或这两者来输出视网膜特征数据120。

视网膜特征数据120可以包括例如基于一组视网膜流体片段122、一组视网膜层片段124或这两者识别(例如，计算、测量等)的一个或多个值。例如，视网膜特征数据120可以包括一组视网膜流体片段122的对应视网膜流体片段的值。该值可以是视网膜流体片段的体积、高度、宽度或某一其他测量值。在一个或多个实施例中，视网膜特征数据120包括该一组视网膜层片段124中的对应视网膜层片段的值。例如，该值可以包括与视网膜层片段相关联的最小厚度、最大厚度、平均厚度或者另一测量值或计算值。在一些情况下，视网膜特征数据120包括使用一组视网膜流体片段122中的多于一个流体片段、一组视网膜层片段124中的多于一个视网膜层片段或这两者计算的值。

特征提取模块110使用视网膜特征数据120生成输出，该输出形成预测模块111的输入数据126。输入数据126可以以各种方式形成。在一个或多个实施例中，输入数据126包括视网膜特征数据120。在其他实施例中，视网膜特征数据120的某一部分或全部可以被修改、组合或集成以形成输入数据126。在一些示例中，视网膜特征数据120中的两个或更多个值可以用于计算包括在输入数据126中的值。在一个或多个实施例中，输入数据126包括该一组临床特征的临床数据119。

预测模块111使用从特征提取模块110接收的输入数据126来预测治疗水平130。治疗水平130可以是对预测受试者所需的注射次数的分类。受试者所需的注射次数可以基于例如但不限于一次或多次。受试者所需的注射次数可以是总体注射次数或选定时间段内的注射次数。例如，受试者的治疗可以包括初始阶段以及必要时(PRN)或需要时阶段。预测模块111可以用于预测PRN阶段内的治疗水平130。在一些示例中，PRN阶段的时间段包括初始阶段之后的21个月。在这些示例中，治疗水平130是“高”或“低”的分类，其中“高”被定义为在PRN阶段期间的16次或更多次注射，而“低”被定义为在PRN阶段期间的5次或更少次注射。

如上所述，治疗水平130可以包括针对在PRN阶段期间受试者的治疗预测的注射次数的分类、在PRN阶段或另一时间段期间的注射次数、注射频率、受试者的另一治疗要求指标或它们的组合。

在一个或多个实施例中，预测模块111将输入数据126发送到治疗水平分类模型114中以预测治疗水平130。例如，治疗水平分类模型114(例如，XGBoost算法)可能已被训练以基于输入数据126来预测治疗水平130。

在一个或多个实施例中，预测模块111使用治疗水平130生成输出132。在一些示例中，输出132包括治疗水平130。在其他示例中，输出132包括基于治疗水平130生成的信息。例如，当治疗水平130识别针对在PRN阶段期间受试者的治疗预测的注射次数时，输出132可以包括该治疗水平的分类。在另一示例中，由治疗水平分类模型114预测的治疗水平130包括注射次数和注射次数的分类(例如，高、低等)，并且输出132仅包括分类。在另一示例中，输出132包括治疗的名称、治疗的剂量或这两者。

在一个或多个实施例中，输出132可以通过一个或多个通信链路(例如，有线、无线和/或光通信链路)被发送到远程装置117。例如，远程装置117可以为诸如服务器、云存储装置、云计算平台、移动装置(例如，移动电话、平板电脑、智能手表等)的装置或系统、一些其他类型的远程装置或系统或它们的组合。在一些实施例中，输出132作为可以在远程装置138上查看的报告来传输。报告可以包括例如但不限于以下中的至少一者：表、电子表格、数据库、文件、演示文稿、警报、曲线图、图表、一个或多个图形或者它们的组合。

在一个或多个实施例中，输出132可以被显示在显示系统106上、存储在数据存储装置104中或这两者。显示系统106包括与计算平台102通信的一个或多个显示装置。显示系统106可以与计算平台102分离或者至少部分地集成为该计算平台的一部分。

治疗水平130、输出132或这两者可以用于管理被诊断有nAMD的受试者的治疗。治疗水平130的预测可以对例如临床医生有效

III.A.ii.训练模式

图2是根据一个或多个实施例的在训练模式中使用的来自图1的治疗水平预测系统108的框图。在训练模式中，使用训练受试者数据200来训练特征提取模块110的视网膜分割模型112和预测模块111的治疗水平分类模型114。训练受试者数据200可以包括例如训练OCT成像数据202。在一些实施例中，训练受试者数据200包括训练临床数据203。

训练OCT成像数据202可以包括例如SD-OCT图像，其捕获在初始治疗阶段(例如，前3个月、前5个月、前9个月、前10个月等)、PRN治疗阶段(例如，初始阶段后的5个至25个月)或这两者内接受抗VEGF注射的受试者的视网膜。在一个或多个实施例中，训练OCT成像数据202包括在21个月的PRN阶段内接受0.5mg雷珠单抗注射的受试者的SD-OCT图像的第一部分和在21个月的PRN阶段内接受2.0mg雷珠单抗注射的受试者的SD-OCT图像的第二部分。在其他实施例中，可以包括接受其他剂量(例如，介于0.25mg与3mg之间)注射的受试者的OCT图像，可以包括在更长或更短的PRN阶段内被监测的受试者的OCT图像，可以包括被给予不同抗VEGF药剂的受试者的OCT图像，或者可以包括它们的组合。

训练临床数据203可以包括例如训练受试者的一组临床特征的数据。该一组临床特征可以包括例如但不限于最佳矫正视力(BCVA)(例如，对于治疗之前的基线时间点)、中心子视野厚度(CST)(例如，从一个或多个OCT图像提取)、脉搏、收缩压(SBP)、舒张压(DBP)或它们组合。训练临床数据203可能已在治疗之前(例如，在初始阶段之前)的基线时间点和/或在治疗阶段期间(例如，在初始阶段与PRN阶段之间)的另一时间点被生成。

在一个或多个实施例中，可以使用训练受试者数据200来训练视网膜分割模型112以生成识别一组视网膜流体片段122、一组视网膜层片段124或这两者的分割图像。可以针对训练OCT成像数据202中的每个图像来分割一组视网膜流体片段122和一组视网膜层片段124。特征提取模块110使用一组视网膜流体片段122、一组视网膜层片段124或这两者来生成训练视网膜特征数据204。在一个或多个实施例中，特征提取模块110基于视网膜分割模型112的输出来生成训练视网膜特征数据204。在其他实施例中，特征提取模块110的视网膜分割模型112被训练以基于一组视网膜流体片段122、一组视网膜层片段124或这两者来生成训练视网膜特征数据204。

特征提取模块110使用训练视网膜特征数据204生成输出，该输出形成训练输入数据206以用于输入到预测模块111中。训练输入数据206可以包括训练视网膜特征数据204或者可以基于训练视网膜特征数据204来被生成。例如，训练视网膜特征数据204可以被滤波以形成训练输入数据204。在一个或多个实施例中，训练视网膜特征数据204被滤波以移除其中超过10％的感兴趣特征丢失数据的任何受试者的特征数据。在一些示例中，训练视网膜特征数据204被滤波以移除其中对于整个初始阶段、整个PRN阶段或者整个起始阶段和PRN阶段两者内不存在完整数据的任何受试者的视网膜特征数据。在一些实施例中，训练输入数据206进一步包括训练临床数据203或训练临床数据203的至少一部分。

预测模块111接收训练输入数据206，并且治疗水平分类模型114可以被训练以使用训练输入数据206来预测治疗水平130。在一个或多个实施例中，治疗水平分类模型114可以被训练以预测治疗水平130并且基于治疗水平130来预测输出132。

在其他实施例中，治疗水平预测系统108的训练可以仅包括预测模块111的训练，从而仅包括治疗水平分类模型114的训练。例如，特征提取模块1110的视网膜分割模型112可以被预训练以执行分割和/或生成特征数据。因此，可以从另一源(例如，图1中的数据存储装置、图1中的远程装置117、某一其他装置等)接收训练输入数据206。

III.B.针对管理NAMD治疗的示例性方法

图3是根据一个或多个实施例的用于管理对被诊断有nAMD的受试者的治疗的过程300的流程图。在一个或多个实施例中，使用图1所述的治疗管理系统100来实现过程300。更具体地，过程300可以使用图1中的治疗水平预测系统108来实现。例如，过程300可以用于基于图1中的受试者数据116(例如，OCT成像数据118)来预测治疗水平130。

步骤302包括接收受试者的视网膜的谱域光学相干断层扫描(SD-OCT)成像数据。在步骤302中，SD-OCT成像数据可以是图1中的OCT成像数据118的实现方案的一个示例。在一个或多个实施例中，可以从远程装置接收、从数据库检索或以某一其他方式接收SD-OCT成像数据。在步骤302中接收的SD-OCT成像数据可以包括例如在基线时间点、刚好治疗之前的时间点、刚好治疗之后的时间点、另一时间点或它们的组合捕获的一个或多个SD-OCT图像。在一个或多个示例中，SD-OCT成像数据包括在任何治疗之前的基线时间点(例如，第0天)、在第一个月的注射周围的时间点(例如，M1)、在第二个月的注射周围的时间点(例如，M2)、在前三个月的注射周围的时间点(例如，M3)或它们的组合生成的一个或多个图像。

步骤304包括使用SD-OCT成像数据提取多个视网膜特征的视网膜特征数据，多个视网膜特征与一组视网膜流体或一组视网膜层中的至少一者相关联。在一个或多个实施例中，步骤304可以使用图1中的特征提取模块110来实现。例如，特征提取模型110可以用于使用在步骤302中接收的SD-OCT成像数据来提取与一组视网膜流体片段122或一组视网膜层片段124中的至少一者相关联的多个视网膜特征的视网膜特征数据120。在步骤304中，视网膜特征数据可以采用例如图1中的视网膜特征数据120的形式。

在一些示例中，视网膜特征数据包括对应于一种或多种视网膜流体、一个或多个视网膜层或这两者的值(例如，计算值、测量值等)。视网膜流体的示例包括但不限于视网膜内液(IRF)、视网膜下液(SRF)、与色素上皮脱离(PED)相关联的流体以及视网膜下高反射材料(SHRM)。与对应视网膜流体相关联的特征的值可以包括例如对应视网膜流体的体积、高度或宽度的值。视网膜层的示例包括但不限于内界膜(ILM)层、外网状层-亨利纤维层(OPL-HFL)、内边界视网膜色素上皮脱离(IB-RPE)、外边界视网膜色素上皮脱离(OB-RPE)以及布鲁赫膜(BM)。与对应视网膜层相关联的特征的值可以包括例如对应视网膜层的最小厚度、最大厚度或平均厚度的值。在一些情况下，视网膜层相关特征可以对应于多于一个视网膜层(例如，两个视网膜层的边界之间的距离)。

在一个或多个实施例中，步骤304中的多个视网膜特征包括与视网膜的视网膜下液(SRF)相关联的至少一个特征和与色素上皮脱离(PED)相关联的至少一个特征。

在一个或多个实施例中，SD-OCT成像数据包括在单次临床就诊期间捕获的SD-OCT图像。在一些实施例中，SD-OCT成像数据包括在多次临床就诊时(例如，在初始治疗阶段的每个月)捕获的SD-OCT图像。在一个或多个实施例中，步骤304包括经由机器学习模型(例如，图1中的视网膜分割模型112)使用SD-OCT成像数据来提取视网膜特征数据。机器学习模型可以包括例如深度学习模型。在一个或多个实施例中，深度学习模型包括一个或多个神经网络，每个神经网络可以是例如卷积神经网络(CNN)。

步骤306包括将使用多个视网膜特征的视网膜特征数据形成的输入数据发送到机器学习模型中。在步骤306中，输入数据可以采用例如图1中的输入数据126的形式。在一些实施例中，输入数据包括在步骤304中提取的视网膜特征数据。换句话说，视网膜特征数据或视网膜特征数据的至少一部分可以作为机器学习模型的输入数据被发送。在其他实施例中，视网膜特征数据的某一部分或全部可以被修改、组合或集成以形成输入数据。步骤306中的机器学习模型可以是例如图1中的治疗水平分类模型114。在一个或多个实施例中，机器学习模型可以是符号模型(基于特征的模型)(例如，使用XGBoost算法的模型)。

在一些实施例中，输入数据可以进一步包括受试者的一组临床特征的临床数据。临床数据可以是例如图1中的临床数据117。该一组临床特征可以包括例如但不限于最佳矫正视力(BCVA)(例如，对于治疗之前的基线时间点)、中心子视野厚度(CST)(例如，从一个或多个OCT图像提取)、脉搏、收缩压(SBP)、舒张压(DBP)或它们组合。输入数据可以包括上述视网膜特征数据的全部或一些。

步骤308包括基于输入数据，经由机器学习模型预测待施用于受试者的抗血管内皮生长因子(抗VEGF)治疗的治疗水平。治疗水平可以包括针对受试者的抗VEGF治疗预测的注射次数的分类(例如，在PRN治疗阶段期间)、注射次数(例如，在PRN阶段或另一时间段期间)、注射频率、受试者的另一治疗要求指标或它们的组合。

过程300可以任选地包括步骤310。步骤310包括使用预测的治疗水平生成输出。输出可以包括治疗水平和/或基于预测的治疗水平生成的信息。在一些实施例中，步骤310进一步包括将输出发送到远程装置。输出可以是例如可以用于关于受试者的治疗指导临床医生、受试者或这两者的报告。例如，如果预测的治疗水平指示受试者在PRN阶段可能需要“高”水平的注射，则输出可以识别可以被实施以帮助确保受试者依从性(例如，受试者出现在注射预约、评估预约)的某些协议。

图4是根据一个或多个实施例的用于管理对被诊断有nAMD的受试者的治疗的过程400的流程图。在一个或多个实施例中，使用图1所述的治疗管理系统100来实现过程400。更具体地，过程400可以使用图1和图2中的治疗水平预测系统108来实现。

步骤402包括使用训练输入数据训练第一机器学习模型以预测抗VEGF治疗的治疗水平。训练输入数据可以是例如图2中的训练输入数据206。训练输入数据可以使用训练OCT成像数据(诸如，例如图2中的训练OCT成像数据202)形成。第一机器学习模型可以包括例如符号模型，诸如XGBoost模型。

在一个或多个实施例中，使用第二机器学习模型自动分割训练OCT成像数据以生成分割图像(分割OCT图像)。第二机器学习模型可以包括例如深度学习模型。从分割图像提取视网膜特征数据并且将其用于形成训练输入数据。例如，视网膜特征数据的至少一部分用于形成训练输入数据的至少一部分。在一些示例中，训练输入数据可以进一步包括训练临床数据(例如，BCVA、脉搏、收缩压、舒张压、CST等的测量值)。

训练输入数据可以包括用第一剂量(例如，0.5mg)的抗VEGF治疗进行治疗的训练受试者的第一部分的数据和用第二剂量(例如，2.0mg)的抗VEGF治疗进行治疗的训练受试者的第二部分的数据。训练输入数据可以是对应于必要时治疗阶段(例如，包括每月注射的初始治疗阶段之后的21个月、初始治疗阶段之后的9个月或某一其他时间段)的数据。

在一个或多个实施例中，视网膜特征数据可以被预处理以形成训练输入数据。例如，对应于多次就诊(例如，3次就诊)的视网膜特征的值可以被级联。在一些示例中，可以从训练输入数据排除高度相关的特征。例如，在步骤402中，可以识别高度相关(例如，高于0.9的相关系数)特征的集群。对于每对高度相关的特征，可以随机选择这些特征中的一者的值以从训练输入数据排除。对于3个或更多个高度相关的特征的集群，与集群中大多数其他特征相关的那些特征的值被迭代地排除(例如，直到保留集群中的单个特征)。预处理的这些示例可以只是可以对视网膜特征数据执行的预处理类型的一个示例。

在又其他实施例中，步骤402包括关于第一多个视网膜特征训练第一机器学习模型。特征重要性分析可以用于确定第一多个视网膜特征中的哪一者对于预测治疗水平最重要。在这些实施例中，步骤402可以包括将第一多个视网膜特征减少为第二多个视网膜特征(例如，3个、4个、5个、6个、7个、……、10个，或某一其他数量个视网膜特征)。然后，第一机器学习模型可以被训练以使用第二多个视网膜特征来预测治疗水平。

步骤404包括使用第二机器学习模型生成受试者的输入数据。可以使用从使用第二机器学习模型从受试者的视网膜的OCT成像数据提取的视网膜特征数据、临床数据或这两者来生成受试者的输入数据。例如，第二机器学习模型可以被预训练以识别OCT图像中的一组视网膜流体片段、一组视网膜层片段或这两者。然后，该一组视网膜流体片段、视网膜层片段或这两者可以用于经由计算、测量等识别多个视网膜特征的视网膜特征数据。在一些实施例中，第二机器学习模型可以被预训练以基于该一组视网膜流体片段、该一组视网膜层片段或这两者来识别视网膜特征数据。

步骤406包括通过所训练的机器学习模型接收输入数据，该输入数据包括多个视网膜特征的视网膜特征数据。输入数据可以另外包括一组临床特征的临床数据。

步骤408包括使用输入数据，经由所训练的机器学习模型预测待施用于受试者的抗VEGF治疗的治疗水平。治疗水平可以是例如“高”或“低”(或“高”和“不高”)的分类。“高”水平可以指示在PRN阶段(例如，8个、9个、10个、11个、12个、13个、14个、15个、16个、17个、18个、10个、20个、21个、22个、23个、24个或某一其他数量个月的时间段)期间的再10次、11次、12次、13次、14次、15次、16次、17次或18次注射。“低”水平可以指示例如在PRN阶段期间的7次、6次、5次、4次或更少次注射。

图5是根据一个或多个实施例的用于管理对被诊断有nAMD的受试者的治疗的过程500的流程图。该过程500可以使用图1中的治疗管理系统100来实现。

步骤502可以包括接收被诊断有nAMD的受试者的受试者数据，该受试者数据包括OCT成像数据。OCT成像数据可以是例如SD-OCT成像数据。OCT成像数据可以包括受试者的视网膜的一个或多个OCT(例如，SD-OCT)图像。在一个或多个实施例中，受试者数据进一步包括临床数据。临床数据可以包括例如BCVA测量值(例如，在基线时间点获取)和生命体征(例如，脉搏、收缩压、舒张压等)。在一些实施例中，临床数据包括中心子视野厚度(CST)，其可以是从一个或多个OCT图像提取的测量值。

步骤504包括使用深度学习模型从OCT成像数据提取视网膜特征数据。在一个或多个实施例中，深度学习模型用于从OCT成像数据分割出一组流体片段和一组视网膜层片段。例如，深度学习模型可以用于从OCT成像数据的每个OCT图像分割出一组流体片段和一组视网膜层片段，以产生分割图像。这些分割图像可以用于测量和/或计算多个视网膜特征的值以形成视网膜特征数据。在其他实施例中，深度学习模型可以用于执行分割并且生成视网膜特征数据。

步骤506包括使用视网膜特征数据形成符号模型的输入数据。输入数据可以包括例如视网膜特征数据。在其他实施例中，可以通过修改、集成或组合视网膜特征数据的至少一部分以形成新值来形成输入数据。在又其他实施例中，输入数据可以进一步包括上述临床数据。

步骤508包括使用输入数据经由符号模型预测治疗水平。在一个或多个实施例中，治疗水平可以是“高”或“低”(或“高”和“不高”)的分类。“高”水平可以指示在PRN阶段(例如，8个、9个、10个、11个、12个、13个、14个、15个、16个、17个、18个、10个、20个、21个、22个、23个、24个或某一其他数量个月的时间段)期间的再10次、11次、12次、13次、14次、15次、16次、17次或18次注射。“低”水平可以指示例如在PRN阶段期间的7次、6次、5次、4次或更少次注射。“不高”水平可以指示低于“高”分类所需的注射次数。

过程500可以任选地包括步骤510。步骤510包括使用预测的治疗水平生成输出以用于指导受试者的治疗管理。例如，输出可以是报告、警告、通知或包括治疗水平的其他类型的输出。在一些示例中，输出包括基于预测的治疗水平的一组协议。例如，如果预测的治疗水平为“高”，则输出可以概述可以用于确保受试者依从评估预约、注射预约等的一组协议。在一些实施例中，输出可以包括当预测的治疗水平为“高”时的某些信息，诸如针对受试者或治疗受试者的临床医生的特定指令，其中如果预测的治疗水平为“低”或“不高”，则从输出排除该信息。因此，输出可以根据预测的治疗水平采用各种形式。

III.C.示例性分割图像

图6是根据一个或多个实施例的分割OCT图像的图示。分割OCT图像600可以使用例如图1中的视网膜分割模型112来生成。分割OCT图像600识别一组视网膜流体片段602，其可以是图1中的一组视网膜流体片段122的实现方案的一个示例。一组视网膜流体片段602识别视网膜内液(IRF)、视网膜下液(SRF)、与色素上皮脱离(PED)相关联的流体以及视网膜下高反射材料(SHRM)。

图7是根据一个或多个实施例的分割OCT图像的图示。分割OCT图像700可以使用例如图1中的视网膜分割模型112来生成。分割OCT图像700识别一组视网膜层片段702，其可以是图1中的一组视网膜层片段124的实现方案的一个示例。一组视网膜层片段702识别内界膜(ILM)层、外网状层-亨利纤维层(OPL-HFL)、内边界视网膜色素上皮脱离(IB-RPE)、外边界视网膜色素上皮脱离(OB-RPE)以及布鲁赫膜(BM)。

IV.示例性实验数据

IV.A.研究#1：

在第一研究中，使用从训练OCT成像数据生成的训练输入数据来训练机器学习模型(例如，符号模型)。例如，收集了来自两个不同雷珠单抗PRN组(一组剂量为0.5mg，另一组剂量为2.0mg)的HARBOR临床试验(NCT00891735)的363名训练受试者的SD-OCT成像数据。SD-OCT成像数据包括3个月初始治疗阶段和21个月PRN治疗阶段的每月SD-OCT图像(如果适用的话)。“低”治疗水平被分类为在PRN阶段期间的5次或更少次注射。“高”治疗水平被分类为在PRN阶段期间的16次或更多次注射。

使用深度学习模型生成初始阶段的每个月的分割图像(例如，在每个SD-OCT图像中识别一组流体片段和一组视网膜层片段)。因此，生成了3个流体分割图像和3个层分割图像(每次访问一个)。使用这些分割图像针对每个训练受试者病例计算训练视网膜特征数据。训练视网膜特征数据包括使用流体分割图像计算的60个特征的数据和使用层分割图像计算的45个特征的数据。针对初始阶段的三个月中的每个月计算训练视网膜特征数据。对于初始阶段的三个月中的每个月，训练视网膜特征数据与BCVA和CST数据相结合，以形成训练输入数据。训练输入数据被滤波，以移除105个总视网膜特征中多于10％的数据丢失的受试者病例，并且移除在初始阶段和PRN阶段两者的24个月内无法获得完整数据的任何受试者病例。

然后，经滤波的训练输入数据被输入到使用XGBoost算法实现的符号模型中，并且使用5倍交叉验证进行评估。使用训练输入数据训练符号模型，以将给定受试者分类为与“低”或“高”治疗水平相关联。

图8是示出根据一个或多个实施例的对“低”治疗水平分类的5倍交叉验证的结果的图。特别地，图800提供了针对被分类为“低”治疗水平的受试者病例的上述实验的验证数据。“低”治疗水平的平均AUC为0.81±0.06。

图9是示出根据一个或多个实施例的对“高”治疗水平分类的5倍交叉验证的结果的图。特别地，图900提供了针对被分类为“高”治疗水平的受试者病例的上述实验的验证数据。“高”治疗水平的平均AUC为0.80±0.08。

图8中的图800和图9中的图900展示了使用机器学习模型(例如，符号模型)以使用从自动分割的SD-OCT图像提取的视网膜特征数据来预测患有nAMD的受试者的低或高治疗水平的可行性，分割SD-OCT图像是使用另一机器学习模型(例如，深度学习模型)生成的。

执行SHAP(Shapley Additive exPlanations)分析以确定与“低”治疗水平分类和“高”治疗水平分类最相关的特征。对于“低”治疗水平分类，6个最重要特征包括与视网膜流体相关联的4个特征(例如，PED和SHRM)、与视网膜层相关联的1个特征和CST，这6个特征中的5个特征来自初始治疗阶段的第2个月。“低”治疗水平分类与在第2个月检测到的低PED高度量密切相关联。对于“高”治疗水平分类，6个最重要特征包括与视网膜流体相关联的4个特征(例如，IRF和SHRM)和与视网膜层相关联的2个特征，这6个特征中的4个特征来自初始治疗阶段的第2个月。“高”治疗水平分类与在第1个月检测到的低SHRM量密切相关联。

IV.B.研究#2：

在第二研究中，使用从训练OCT成像数据生成的训练输入数据来训练机器学习模型(例如，符号模型)。例如，收集了来自两个不同雷珠单抗PRN组(一组剂量为0.5mg，另一组剂量为2.0mg)的HARBOR临床试验(NCT00891735)的547名训练受试者的SD-OCT成像数据。SD-OCT成像数据包括9个月初始治疗阶段和9个月PRN治疗阶段的每月SD-OCT图像(如果适用的话)。在547名训练受试者中，有144名被识别为具有“高”治疗水平，这被分类为在PRN阶段期间的6次或更多次注射(在第9个月与第17个月之间进行了9次就诊)。

使用深度学习模型来从在第9个月和第10个月就诊时收集的SD-OCT成像数据生成流体分割图像和层分割图像。使用这些分割图像针对每个训练受试者病例计算训练视网膜特征数据。对于第9个月和第10个月的每次就诊，训练视网膜特征数据包括69个视网膜层特征和36个视网膜流体特征。

该训练视网膜特征数据被滤波，以移除视网膜特征中多于10％的数据丢失的受试者病例，并且移除在第9个月与第17个月之间的全9个月内无法获得完整数据的任何受试者病例，从而形成输入数据。

该输入数据被输入到符号模型中以用于使用XGBoost算法进行二元分类，并且重复10次5倍交叉验证。该研究针对每个特征组(视网膜流体相关特征和视网膜层相关特征)以及组合的一组所有视网膜特征进行。此外，该研究是仅使用来自第9个月的特征以及同时使用来自第9个月和第10个月两者的特征进行。

图10是示出根据一个或多个实施例的对“高”治疗水平分类的重复5倍交叉验证的结果的AUC数据图。如图1000中所描绘，当使用来自所有视网膜层的特征时，实现了最佳性能。当仅使用第9个月的数据时，仅使用视网膜层相关特征的AUC为0.76±0.04，并且当同时使用第9个月和第10个月的数据时，AUC为0.79±0.05。这些AUC接近使用视网膜层相关特征和视网膜流体相关特征时观察到的性能。如图1000中所描绘，添加来自第10个月的数据略微提高了性能。SHAP分析证实，与SRF和PED相关联的特征是预测治疗水平的最重要特征之一。

因此，该研究展示了可以使用从自动分割的SD-OCT图像提取的视网膜特征数据来识别先前治疗过的nAMD受试者的未来高治疗水平(例如，在9个月的初始治疗后的9个月内进行6次或更多次注射)的可行性。

V.计算机实现的系统

图11是示出根据一个或多个实施例的计算机系统的示例的框图。计算机系统1100可以是上文图1中描述的计算平台102的一种实现的示例。在一个或多个示例中，计算机系统1100可以包括总线1102或用于传递信息的其它通信机制，以及与总线1102耦接用于处理信息的处理器1104。在各种实施例中，计算机系统1100还可以包括存储器(其可以是随机存取存储器(RAM)1106或其他动态存储装置)，该存储器耦合到总线1102用于确定要由处理器1104执行的指令。存储器还可以用于在执行要由处理器1104执行的指令期间存储临时变量或其它中间信息。在各种实施例中，计算机系统1100可以进一步包括耦合到总线1102的用于存储针对处理器1104的静态信息和指令的只读存储器(ROM)1108或其他静态存储装置。可以提供存储装置1110(诸如磁盘或光盘)并将其耦合到总线1102以用于存储信息和指令。

在各种实施例中，计算机系统1100可以经由总线1102耦接到显示器1112(诸如阴极射线管(CRT)或液晶显示器(LCD))用于向计算机使用者显示信息。包括字母数字键和其它键的输入装置1114可以耦合到总线1102，用于将信息和命令选择传递到处理器1104。另一类型的用户输入装置是光标控制1116(诸如鼠标、操纵杆、轨迹球、手势输入设备、基于注视的输入设备或光标方向键)，以用于将方向信息和命令选择传递到处理器1104并且用于控制显示器1112上的光标移动。该输入装置1114通常在两个轴线(第一轴线(例如，x)和第二轴线(例如，y))上具有两个自由度，其允许该装置指定平面中的位置。然而，应当理解，本文也设想了允许三维(例如，x、y和z)光标移动的输入设备1114。

与本教导的某些实施一致，结果可以由计算机系统1100响应于处理器1104执行包含在RAM 1106中的一个或多个指令的一个或多个序列而提供。此类指令可以从另一计算机可读介质或计算机可读存储介质(诸如存储装置1110)读取进RAM 1106。包含在RAM 1106中的指令序列的执行可以使处理器1104执行本文描述的过程。替代性地，可以使用硬接线电路系统来代替软件指令或与软件指令组合来实现本教导。因此，本教导的实施不限于硬件电路系统和软件的任何特定组合。

如本文所用，术语“计算机可读介质”(例如，数据存储、数据存储器、存储器装置、数据存储器装置等)或“计算机可读存储介质”是指参与向处理器1104提供指令以供执行的任何介质。此类介质可以采取多种形式，包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质的实例可以包括但不限于光盘、固态硬盘、磁盘(诸如存储装置1110)。易失性介质的实例可以包括但不限于动态存储器，诸如RAM 1106。传输介质的实例可以包括但不限于同轴电缆、铜线和光纤，包括构成总线1102的线。

常见形式的计算机可读介质包括：例如，软盘、可折叠盘、硬盘、磁带或任何其他磁性介质；CD-ROM、任何其他光学介质；穿孔卡、纸带、任何其它具有孔图案的物理介质；RAM、PROM和EPROM、FLASH-EPROM、任何其它存储器芯片或盒；或计算机可以读取的任何其它有形介质。

除了计算机可读介质之外，指令或数据也可以作为信号而提供在包括在通信设备或系统中的传输介质上，以将一个或多个指令序列提供给计算机系统1100的处理器1104以供执行。例如，通信设备可以包括具有指示指令和数据的信号的收发器。指令和数据被配置为使一个或多个处理器实现本文公开中概述的功能。数据通信传输连接的表示性实例可以包括但不限于电话调制解调器连接、广域网(WAN)、局域网(LAN)、红外数据连接、NFC连接、光通信连接等。

应当认识到，本文描述的方法、流程图、图和随附的公开内容可以使用计算机系统1100作为独立装置或在诸如云计算网络等共享计算机处理资源的分布式网络上实现。

根据应用，本文描述的方法可以通过各种方式来实现。例如，这些方法可以在硬件、固件、软件或它们的任何组合中实现。针对硬件实现，处理单元可以在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理装置(DSPD)、可编程逻辑装置(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、电子装置、设计用于执行本文描述的功能的其他电子单元、或其组合内实现。

在各种实施例中，本教导的方法可以实现为固件和/或软件程序以及以诸如C、C++、Python等传统编程语言编写的应用程序。如果实现为固件和/或软件，则本文描述的实施例可以在非暂时性计算机可读介质上实现，其中存储程序以使计算机执行上述方法。应当理解，本文描述的各种引擎可以提供在计算机系统上，诸如计算机系统1100，其中根据任一个存储器部件RAM 1106、ROM 1108或存储装置1110或其组合提供的指令以及经由输入装置1114提供的用户输入，处理器1104将执行由这些引擎提供的分析和确定。

VI.实施例陈述

实施例1.一种用于管理对被诊断有新生血管性年龄相关性黄斑变性(nAMD)的受试者的治疗的方法，该方法包括：接收受试者的视网膜的谱域光学相干断层扫描(SD-OCT)成像数据；使用SD-OCT成像数据提取多个视网膜特征的视网膜特征数据，多个视网膜特征与一组视网膜流体或一组视网膜层中的至少一者相关联；将使用多个视网膜特征的视网膜特征数据形成的输入数据发送到第一机器学习模型中；以及基于输入数据，经由第一机器学习模型预测待施用于受试者的抗血管内皮生长因子(抗VEGF)治疗的治疗水平。

实施例2.根据实施例1所述的方法，其中视网膜特征数据包括与该一组视网膜流体中的对应视网膜流体相关联的值，该值选自由对应视网膜流体的体积、高度和宽度组成的组。

实施例3.根据实施例1或2所述的方法，其中视网膜特征数据包括该一组视网膜层中的对应视网膜层的值，该值选自由对应视网膜层的最小厚度、最大厚度和平均厚度组成的组。

实施例4.根据实施例1至3中任一项所述的方法，其中该一组视网膜流体中的视网膜流体选自由以下项组成的组：视网膜内液(IRF)、视网膜下液(SRF)、与色素上皮脱离(PED)相关联的流体或视网膜下高反射材料(SHRM)。

实施例5.根据实施例1至4中任一项所述的方法，其中该一组视网膜层中的视网膜层选自由以下项组成的组：内界膜(ILM)层、外网状层-亨利纤维层(OPL-HFL)、内边界视网膜色素上皮脱离(IB-RPE)、外边界视网膜色素上皮脱离(OB-RPE)或布鲁赫膜(BM)。

实施例6.根据实施例1至5中任一项所述的方法，其进一步包括：使用多个视网膜特征的视网膜特征数据和一组临床特征的临床数据形成输入数据，该一组临床特征包括最佳矫正视力、脉搏、舒张压或收缩压中的至少一者。

实施例7.根据实施例1至6中任一项所述的方法，其中预测治疗水平包括预测治疗水平的分类为高或低治疗水平。

实施例8.根据实施例7所述的方法，其中高治疗水平指示在初始治疗阶段之后的选定时间段期间注射十六次或更多次抗VEGF治疗。

实施例9.根据实施例7所述的方法，其中低治疗水平指示在初始治疗阶段之后的选定时间段期间注射五次或更少次抗VEGF治疗。

实施例10.根据实施例1至9中任一项所述的方法，其中提取包括：从使用自动分割SD-OCT成像数据的第二机器学习模型生成的分割图像提取多个视网膜特征的视网膜特征数据，其中多个视网膜特征与在分割图像中识别的一组视网膜流体片段或一组视网膜层片段中的至少一者相关联。

实施例11.根据实施例10所述的方法，其中第二机器学习模型包括深度学习模型。

实施例12.根据实施例1至11中任一项所述的方法，其中第一机器学习模型包括极限梯度提升(XGBoost)算法。

实施例13.根据实施例1至12中任一项所述的方法，其中多个视网膜特征包括与视网膜下液(SRF)相关联的至少一个特征和与色素上皮脱离(PED)相关联的至少一个特征。

实施例14.根据实施例1至13中任一项所述的方法，其中SD-OCT成像数据包括在单次临床就诊期间捕获的SD-OCT图像。

实施例15.一种用于管理对被诊断有新生血管性年龄相关性黄斑变性(nAMD)的受试者的抗血管内皮生长因子(抗VEGF)治疗的方法，该方法包括：使用训练输入数据训练机器学习模型以预测抗VEGF治疗的治疗水平，其中训练输入数据是使用训练光学相干断层扫描(OCT)成像数据形成的；接收所训练的机器学习模型的输入数据，该输入数据包括多个视网膜特征的视网膜特征数据；以及使用输入数据，经由所训练的机器学习模型预测待施用于受试者的抗VEGF治疗的治疗水平。

实施例16.根据实施例15所述的方法，其进一步包括：使用训练OCT成像数据和深度学习模型生成输入数据，其中深度学习模型用于自动分割训练OCT成像数据以形成分割图像，并且其中视网膜特征数据是从分割图像提取的。

实施例17.根据实施例15或16所述的方法，其中机器学习模型被训练以预测治疗水平的分类为高治疗水平或低治疗水平，其中高治疗水平指示在初始治疗阶段之后的选定时间段期间注射十六次或更多次抗VEGF治疗。

实施例18.根据实施例15或16所述的方法，其中机器学习模型被训练以预测治疗水平的分类为高治疗水平或不高治疗水平，其中高治疗水平指示在初始治疗阶段之后的选定时间段期间注射六次或更多次抗VEGF治疗。

实施例19.一种用于管理对被诊断有新生血管性年龄相关性黄斑变性(nAMD)的受试者的抗血管内皮生长因子(抗VEGF)治疗的系统，该系统包括：存储器，其包含机器可读介质，该机器可读介质包括机器可执行代码；处理器，其耦合到该存储器，该处理器被配置为执行机器可执行代码以使该处理器：

接收受试者的视网膜的谱域光学相干断层扫描(SD-OCT)成像数据；

使用SD-OCT成像数据提取多个视网膜特征的视网膜特征数据，多个视网膜特征与一组视网膜流体或一组视网膜层中的至少一者相关联；

将使用多个视网膜特征的视网膜特征数据形成的输入数据发送到第一机器学习模型中；以及

基于输入数据，经由第一机器学习模型预测待施用于受试者的抗血管内皮生长因子(抗VEGF)治疗的治疗水平。

实施例20.根据实施例19所述的系统，其中机器可执行代码进一步使处理器从使用自动分割SD-OCT成像数据的第二机器学习模型生成的分割图像提取多个视网膜特征的视网膜特征数据，其中多个视网膜特征与在分割图像中识别的一组视网膜流体片段或一组视网膜层片段中的至少一者相关联。

VII.其他注意事项

本文档的章节和子章节之间的标题和副标题仅用于提高可读性的目的，并不暗示不能跨章节和子章节组合特征。因此，章节和子章节不描述单独的实施例。

本公开的一些实施例包括一种系统，其包括一个或多个数据处理器。在一些实施例中，该系统包括包含指令的非暂时性计算机可读存储介质，这些指令在一个或多个数据处理器上被执行时使该一个或多个数据处理器执行本文中所公开的一种或多种方法的一部分或全部和/或本文中所公开的一种或多种过程的一部分或全部。本公开的一些实施例包括一种有形地体现在非暂时性机器可读存储介质中的计算机程序产品，其包括指令，所述指令被配置为使一个或多个数据处理器执行本文公开的一种或多种方法的一部分或全部和/或本文公开的一种或多种过程的一部分或全部。

已采用的术语和表达被用作描述性而非限制性的术语，并且在使用这些术语和表达时，无意排除所示出和描述的特征或其部分的任何等同物，但是应当认识到，在所要求保护的本发明的范围内，各种修改是可能的。因此，应当理解，尽管已通过实施例和任选特征具体地公开了所要求保护的本发明，但是本领域技术人员可以采用本文所公开的概念的修改和变化，并且认为这样的修改和变化在由所附权利要求限定的本发明范围内。

该描述仅提供优选的示例性实施例，并且不旨在限制本公开的范围、适用性或配置。相反，示例性实施例的描述将为本领域技术人员提供用于实现各种实施例的可行描述。应当理解，在不脱离所附权利要求中阐述的精神和范围的情况下，可以对元件(框图或示意图中的元件、流程图中的元件等)的功能和布置进行各种改变。

在以下描述中给出具体细节以提供对实施例的透彻理解。然而，应当理解，可以在没有这些具体细节的情况下实践实施例。例如，电路、系统、网络、过程和其他组件可以以框图形式显示为部件，以免在不必要的细节中混淆实施例。在其他情况下，可以在没有不必要的细节的情况下示出众所周知的电路、过程、算法、结构和技术以避免混淆实施例。