The advent of Electronic Medical Records (EMR) with large electronic imaging databases along with advances in deep neural networks with machine learning has provided a unique opportunity to achieve milestones in automated image analysis. Optical coherence tomography (OCT) is the most commonly obtained imaging modality in ophthalmology and represents a dense and rich dataset when combined with labels derived from the EMR. We sought to determine if deep learning could be utilized to distinguish normal OCT images from images from patients with Age-related Macular Degeneration (AMD).EMR and OCT database study.Normal and AMD patients who had a macular OCT.Automated extraction of an OCT imaging database was performed and linked to clinical endpoints from the EMR. OCT macula scans were obtained by Heidelberg Spectralis, and each OCT scan was linked to EMR clinical endpoints extracted from EPIC. The central 11 images were selected from each OCT scan of two cohorts of patients: normal and AMD. Cross-validation was performed using a random subset of patients. Receiver operator curves (ROC) were constructed at an independent image level, macular OCT level, and patient level.Area under the ROC.Of a recent extraction of 2.6 million OCT images linked to clinical datapoints from the EMR, 52,690 normal macular OCT images and 48,312 AMD macular OCT images were selected. A deep neural network was trained to categorize images as either normal or AMD. At the image level, we achieved an area under the ROC of 92.78% with an accuracy of 87.63%. At the macula level, we achieved an area under the ROC of 93.83% with an accuracy of 88.98%. At a patient level, we achieved an area under the ROC of 97.45% with an accuracy of 93.45%. Peak sensitivity and specificity with optimal cutoffs were 92.64% and 93.69% respectively.Deep learning techniques achieve high accuracy and is effective as a new image classification technique. These findings have important implications in utilizing OCT in automated screening and the development of computer aided diagnosis tools in the future.

Evaluation of clinical images is essential for diagnosis in many specialties.Therefore the development of computer vision algorithms to help analyze biomedical images will be important.In ophthalmology, optical coherence tomography (OCT) is critical for managing retinal conditions.We developed a convolutional neural network (CNN) that detects intraretinal fluid (IRF) on OCT in a manner indistinguishable from clinicians.Using 1,289 OCT images, the CNN segmented images with a 0.911 cross-validated Dice coefficient, compared with segmentations by experts.Additionally, the agreement between experts and between experts and CNN were similar.Our results reveal that CNN can be trained to perform automated segmentations of clinically relevant image features.

Abstract Changes in sensory input with aging and disease affect brain tissue properties. To establish the link between glaucoma, the most prevalent cause of irreversible blindness, and changes in major brain connections, we characterized white matter tissue properties in diffusion MRI measurements in a large sample of subjects with glaucoma (N=905; age 49-80) and healthy controls (N=5,292; age 45-80) from the UK Biobank. Confounds due to group differences were mitigated by matching a sub-sample of controls to glaucoma subjects. A convolutional neural network (CNN) accurately classified whether a subject has glaucoma using information from the primary visual connection to cortex (the optic radiations, OR), but not from non-visual brain connections. On the other hand, regularized linear regression could not classify glaucoma, and the CNN did not generalize to classification of age-group or of age-related macular degeneration. This suggests a unique non-linear signature of glaucoma in OR tissue properties.

Abstract The white matter pathways that carry information from the foveal, macular, and peripheral visual fields have distinct biological properties. The optic radiations (OR) carry foveal and peripheral information from the thalamus to the primary visual cortex (V1) through adjacent but separate pathways in the white matter. Here, we perform white matter tractometry using pyAFQ 1 on a large sample of diffusion MRI (dMRI) data from the UK Biobank dataset (UKBB; N=6021; age 45-81). We use pyAFQ to characterize white matter tissue properties in parts of the OR that transmit information about the foveal, macular, and peripheral visual fields, and to characterize the changes in these tissue properties with age. We find that (1) independent of age there is higher fractional anisotropy, lower mean diffusivity, and higher mean kurtosis in the foveal and macular OR than in peripheral OR, consistent with denser, more organized nerve fiber populations in foveal/parafoveal pathways, and (2) age is associated with increased diffusivity and decreased anisotropy and kurtosis, consistent with decreased density and tissue organization with adulthood aging. However, anisotropy in foveal OR decreases faster with age than in peripheral OR, while diffusivity increases faster in peripheral OR, suggesting foveal/peri-foveal OR and peripheral OR differ in how they age.

Purpose Vision loss associated with opacification of the cornea is one of the leading causes of blindness globally. However, the epidemiological data pertaining to the demographics, associated etiological causes and reduced vision in corneal opacity patients continue to be sparse. This study assesses the case frequencies, underlying etiologies, and vision outcomes in patients diagnosed with corneal opacity, in the United States. Design Retrospective cohort study Participants Patients in the IRIS® Registry (Intelligent Research in Sight) who were diagnosed with corneal opacity between January 1st, 2013, and November 30th, 2020. Methods The IRIS Registry contains demographic and clinical data of 79,887,324 patients who presented to eye clinics during the study period. We identified patients with corneal opacity using International Classification of Disease (ICD) codes (ICD-9, and -10) of "371" (corneal scar) and "H17" (corneal opacity), respectively. The analyzed data included demographic parameters included age, sex, race, ethnicity, and geographical location. We evaluated clinical data including laterality, etiology, disease descriptors, and best-corrected visual acuity (VA) up to 1 year before the onset (± 30 days), at the time of diagnosis, and at one year following diagnosis (± 30 days). Main outcome measures Case frequencies, etiology, and vision outcomes in patients diagnosed with corneal opacity. Results We identified 5,220,382 patients who were diagnosed with corneal opacity and scars using H17 (ICD-10) and 371.0 (ICD-9) codes over seven years. The case frequency of corneal opacity during the study period was 6,535 cases per 100,000 patients (6.5%). The mean age of the patients was 63.36±18.14 years and the majority were female (57.6%). In the cohort, 38.39% and 30.00% of patients had bilateral and unilateral corneal opacity, respectively. Most of the patients were White (69.13%), followed by Black or African American (6.84%), Asian (2.45%), American Indian or Alaska Native(0.34%), Native Hawaii or other Pacific Islander(0.19%). Among the patients with corneal opacity, 7.34% had Hispanic or Latino ethnicity. The primary etiologies associated with corneal opacity included corneal dystrophies (64.66%) followed by edema (18.25%), ulcer (7.78%), keratoconjunctivitis (7.18%), degeneration (5.62%), neovascularization (6.27%), and trauma (5.28%). Visual acuity of the patients significantly worsened due to corneal opacity (0.46±0.74 logMAR; ∼20/58 in Snellen) and did not improve to the baseline (0.37±0.68 logMAR, ∼20/46 in Snellen) post-management (0.43±0.77 logMAR, ∼20/54 in Snellen). The multiple linear regression analysis showed worse vision outcomes in females (compared to males), and Asian, Black or African American, and American Indian or Alaska Native (compared to White) patients. Additionally, worse vision outcomes were observed in patients with opacity associated with corneal malformation, degenerative disorders, edema, injury, and ulcer compared to those with hereditary corneal dystrophy. Conclusions Our study shows that the corneal opacity was diagnosed in 6.5% of the patients in the IRIS Registry and it was primarily associated with corneal dystrophies. The final vision outcomes in corneal opacity patients were significantly worse compared to baseline. The worse vision outcomes were associated with sociodemographic differences that might be associated with disparities in access, utilization, and care patterns.

PurposeTo apply methods for quantifying uncertainty of deep learning segmentation of geographic atrophy (GA).Study DesignRetrospective analysis of optical coherence tomography (OCT) images and model comparison.Participants126 eyes from 87 participants with GA in the SWAGGER cohort of the Non-exudative Age-Related Macular Degeneration Imaged with Swept-Source Optical Coherence Tomography (SS-OCT) study.MethodsThe manual segmentations of GA lesions were conducted on structural sub-RPE en face images from the SS-OCT images. Models were developed for two approximate Bayesian deep learning techniques, Monte Carlo dropout and ensemble, to assess the uncertainty of GA semantic segmentation and compared to a traditional deep learning model.Main Outcome MeasuresModel performance (Dice score) was compared. Uncertainty was calculated using the formula for Shannon Entropy.ResultsThe output of both Bayesian technique models showed a greater number of pixels with high entropy than the standard model. Dice scores for the Monte Carlo dropout method (0.90, 95% confidence interval [CI] 0.87-0.93) and the ensemble method (0.88, 95% CI 0.85-0.91) were significantly higher (p<.001) than for the traditional model (0.82, 95% CI 0.78-0.86).ConclusionsQuantifying the uncertainty in a prediction of GA may improve trustworthiness of the models and aid clinicians in decision making. The Bayesian deep learning techniques generated pixel-wise estimates of model uncertainty for segmentation, while also improving model performance compared with traditionally trained deep learning models.

Objective: The advent of Electronic Medical Records (EMR) with large electronic imaging databases along with advances in deep neural networks with machine learning has provided a unique opportunity to achieve milestones in automated image analysis. Optical coherence tomography (OCT) is the most commonly obtained imaging modality in ophthalmology and represents a dense and rich dataset when combined with labels derived from the EMR. We sought to determine if deep learning could be utilized to distinguish normal OCT images from images from patients with Age-related Macular Degeneration (AMD). Design: EMR and OCT database study Subjects: Normal and AMD patients who had a macular OCT. Methods: Automated extraction of an OCT imaging database was performed and linked to clinical endpoints from the EMR. OCT macula scans were obtained by Heidelberg Spectralis, and each OCT scan was linked to EMR clinical endpoints extracted from EPIC. The central 11 images were selected from each OCT scan of two cohorts of patients: normal and AMD. Cross-validation was performed using a random subset of patients. Receiver operator curves (ROC) were constructed at an independent image level, macular OCT level, and patient level. Main outcome measure: Area under the ROC. Results: Of a recent extraction of 2.6 million OCT images linked to clinical datapoints from the EMR, 52,690 normal macular OCT images and 48,312 AMD macular OCT images were selected. A deep neural network was trained to categorize images as either normal or AMD. At the image level, we achieved an area under the ROC of 92.78% with an accuracy of 87.63%. At the macula level, we achieved an area under the ROC of 93.83% with an accuracy of 88.98%. At a patient level, we achieved an area under the ROC of 97.45% with an accuracy of 93.45%. Peak sensitivity and specificity with optimal cutoffs were 92.64% and 93.69% respectively. Conclusions: Deep learning techniques achieve high accuracy and is effective as a new image classification technique. These findings have important implications in utilizing OCT in automated screening and the development of computer aided diagnosis tools in the future.

Evaluation of clinical images is essential for diagnosis in many specialties and the development of computer vision algorithms to analyze biomedical images will be important. In ophthalmology, optical coherence tomography (OCT) is critical for managing retinal conditions. We developed a convolutional neural network (CNN) that detects intraretinal fluid (IRF) on OCT in a manner indistinguishable from clinicians. Using 1,289 OCT images, the CNN segmented images with a 0.911 cross-validated Dice coefficient, compared with segmentations by experts. Additionally, the agreement between experts and between experts and CNN were similar. Our results reveal that CNN can be trained to perform automated segmentations.

The Adult Changes in Thought (ACT) study is a cohort of Kaiser Permanente Washington members ages 65+ that began in 1994.