Age-related cataracts are the leading cause of visual impairment among older adults. Many significant cases remain undiagnosed or neglected in communities, due to limited availability or accessibility to cataract screening. In the present study, we report the development and validation of a retinal photograph-based, deep-learning algorithm for automated detection of visually significant cataracts, using more than 25,000 images from population-based studies. In the internal test set, the area under the receiver operating characteristic curve (AUROC) was 96.6%. External testing performed across three studies showed AUROCs of 91.6-96.5%. In a separate test set of 186 eyes, we further compared the algorithm's performance with 4 ophthalmologists' evaluations. The algorithm performed comparably, if not being slightly more superior (sensitivity of 93.3% versus 51.7-96.6% by ophthalmologists and specificity of 99.0% versus 90.7-97.9% by ophthalmologists). Our findings show the potential of a retinal photograph-based screening tool for visually significant cataracts among older adults, providing more appropriate referrals to tertiary eye centers.

Introduction: Cardiovascular disease (CVD) remains the leading cause of mortality globally, necessitating improved risk stratification and preventive strategies. Reti-CVD, a deep learning model, predicts CVD risk by analyzing retinal images to detect subtle vascular changes indicative of coronary artery calcium presence. This study evaluates the efficacy of statin therapy in individuals identified as high-risk by Reti-CVD using propensity score matching and survival analysis. Hypothesis: Individuals with high Reti-CVD scores will benefit significantly from statin therapy, resulting in a reduced incidence of cardiovascular events compared to those not receiving statins. Methods: Data from the UK Biobank were utilized to perform 1:1 propensity score matching, comparing statin users and non-users. Matching was based on age, gender, race, BMI, systolic blood pressure, diastolic blood pressure, medication use for blood pressure, diabetes status, smoking status, alcohol consumption, and socioeconomic status. Within a cohort identified as high-risk by a deep learning model, survival analysis of a mean follow-up period of 9.83 years for CVD outcomes was conducted, with the hazard ratio calculated for statin users versus non-users. Results: In the unmatched cohort, significant differences were observed in several variables including age and gender between statin users (n=3,008) and non-users (n=42,373) as shown in Table 1. Post-matching, the cohort comprised 3,008 statin users and 3,008 non-users, with standardized mean differences significantly reduced for most variables. For the high Reti-CVD cohort, the hazard ratio for CVD outcomes in the statin group was 0.76 (95% CI: 0.50-1.14), indicating a 24% reduction in the risk of cardiovascular events compared to non-users. In comparison, the low to medium Reti-CVD cohort had a hazard ratio of 1.22 (95% CI: 0.90-1.68). Discussion: Findings suggest that individuals with high Reti-CVD scores likely benefit from statin therapy, as indicated by a trend towards reduced cardiovascular events. Reti-CVD shows potential in refining risk stratification for guiding statin therapy decisions. The integration of deep learning models like Reti-CVD in clinical practice could provide targeted interventions for high-risk populations.

Introduction: Cardiovascular diseases (CVD) are the leading cause of death in developed countries. Coronary artery calcium (CAC) is a clinically validated strong marker of CVD, and previous studies suggest that retinal blood vessels provide relevant information. This study aimed to validate the Reti-CVD model, developed for predicting CAC score through retinal photographs, using datasets from Spain, Korea and India. Hypothesis: We proposed the hypothesis that Reti-CVD model can accurately predict CAC scores from retinal photographs in the Spanish, Korean and Indian populations. Methods: The Reti-CVD model was applied to the Spanish Vall d'Hebron Institut de Recerca (VHIR) dataset (n=76), the Korean GreenCross Center dataset (n=3999), Korean Philip Screening Center dataset (n=5010) and the Indian population dataset (n=90). Key performance metrics were calculated to assess the model's effectiveness, including specificity, sensitivity, accuracy, and the area under the curve (AUC). Bootstrap replicates of 2000 were used to determine confidence intervals (CI) for the AUC, and the optimal thresholds were searched using Youden index method. Results: In the Spanish VHIR dataset, the Reti-CVD model showed strong predictive performance. The model achieved a specificity of 78.57%, sensitivity of 85.29%, and overall accuracy of 81.58%. The AUC was 0.8508, with a 95% CI of 0.7556-0.9307. In the Korean GreenCross dataset, the model achieved a specificity of 65.52%, sensitivity of 82.11%, and overall accuracy of 72.09%. The AUC was 0.8084, with a 95% CI of 0.7948-0.822. In the Korean Philip Screening Center dataset, the model achieved a specificity of 69.33%, sensitivity of 85.53%, and overall accuracy of 73.01%. The AUC was 0.845, with a 95% CI of 0.8329-0.8571. In the Indian population dataset, the model achieved a specificity of 55.77%, sensitivity of 75.00%. The AUC was 0.72. Discussion: The validation results indicate that the Reti-CVD model effectively predicts CAC scores using retinal photographs in the Spanish, Korean and Indian populations. These findings validate the model's robustness and generalizability and support the model's potential for non-invasive CVD risk screening within different ethnicities.

To evaluate the 6-year physiological rates-of-change in ganglion cell inner plexiform layer (GCIPL) and retinal nerve fibre layer (RNFL) thickness measured with optical coherence tomography.