To examine social factors associated with the 5-year risk of glaucoma suspects (GS) converting to open-angle glaucoma (OAG).

Background/aims To design a deep learning (DL) model for the detection of glaucoma progression with a longitudinal series of macular optical coherence tomography angiography (OCTA) images. Methods 202 eyes of 134 patients with open-angle glaucoma with ≥4 OCTA visits were followed for an average of 3.5 years. Glaucoma progression was defined as having a statistically significant negative 24-2 visual field (VF) mean deviation (MD) rate. The baseline and final macular OCTA images were aligned according to centre of fovea avascular zone automatically, by checking the highest value of correlation between the two images. A customised convolutional neural network (CNN) was designed for classification. A comparison of the CNN to logistic regression model for whole image vessel density (wiVD) loss on detection of glaucoma progression was performed. The performance of the model was defined based on the confusion matrix of the validation dataset and the area under receiver operating characteristics (AUC). Results The average (95% CI) baseline VF MD was −3.4 (−4.1 to −2.7) dB. 28 (14%) eyes demonstrated glaucoma progression. The AUC (95% CI) of the DL model for the detection of glaucoma progression was 0.81 (0.59 to 0.93). The sensitivity, specificity and accuracy (95% CI) of DL model were 67% (34% to 78%), 83% (42% to 97%) and 80% (52% to 95%), respectively. The AUC (95% CI) for the detection of glaucoma progression based on the logistic regression model was lower than the DL model (0.69 (0.50 to 0.88)). Conclusion The optimised DL model detected glaucoma progression based on longitudinal macular OCTA images showed good performance. With external validation, it could enhance detection of glaucoma progression. Trial registration number NCT00221897 .

Background/aims To investigate the association between use of metformin and circumpapillary retinal nerve fibre layer (cpRNFL) thickness, as well as whole image capillary density (wiCD), in patients with glaucoma. Methods This cross-sectional study included patients with glaucoma suspect or primary open-angle glaucoma (POAG) underwent optical coherence tomography angiography imaging. Use and duration of antidiabetic medications were assessed at the time of imaging. Multivariable linear mixed-effect modelling was used to estimate the effect of diabetes medication on wiCD and cpRNFL while controlling for covariates including age, race, body mass index, diagnosis, 24–2 visual field mean deviation, and intraocular pressure, average signal strength index as well as any variables that showed a p <0.1 in the univariable analysis. Results A total of 577 eyes (330 POAG and 247 glaucoma suspect) of 346 patients were included. Sixty-five patients (23%) had diabetes, of whom 55 (78.5%) used metformin, and 17 (26.2%) used insulin. After adjusting for covariates, the association between metformin use and wiCD (1.56 (95% CI 0.40 to 2.71); p=0.008), duration of metformin use and wiCD (0.12 (95% CI 0.02 to 0.22) per 1 year longer; p=0.037), and metformin use and cpRNFL thickness (5.17 (95% CI 1.24 to 9.10) µm; p=0.010) had statistically significant associations in each model. Conclusions Metformin use was associated with higher wiCD and thicker cpRNFL. These findings indicate a potential association, underscoring the need for longitudinal studies to determine if metformin plays a role in the retinal conditions of patients with glaucoma. Trial registration number NCT00221897

Purpose: To develop convolutional neural network (CNN)–based models for predicting the axial length (AL) using color fundus photography (CFP) and explore associated clinical and structural characteristics. Methods: This study enrolled 1105 fundus images from 467 participants with ALs ranging from 19.91 to 32.59 mm, obtained at National Taiwan University Hospital between 2020 and 2021. The AL measurements obtained from a scanning laser interferometer served as the gold standard. The accuracy of prediction was compared among CNN-based models with different inputs, including CFP, age, and/or sex. Heatmaps were interpreted by integrated gradients. Results: Using age, sex, and CFP as input, the mean ± standard deviation absolute error (MAE) for AL prediction by the model was 0.771 ± 0.128 mm, outperforming models that used age and sex alone (1.263 ± 0.115 mm; P < 0.001) and CFP alone (0.831 ± 0.216 mm; P = 0.016) by 39.0% and 7.31%, respectively. The removal of relatively poor-quality CFPs resulted in a slight MAE reduction to 0.759 ± 0.120 mm without statistical significance (P = 0.24). The inclusion of age and CFP improved prediction accuracy by 5.59% (P = 0.043), while adding sex had no significant improvement (P = 0.41). The optic disc and temporal peripapillary area were highlighted as the focused areas on the heatmaps. Conclusions: Deep learning–based prediction of AL using CFP was fairly accurate and enhanced by age inclusion. The optic disc and temporal peripapillary area may contain crucial structural information for AL prediction in CFP. Translational Relevance: This study might aid AL assessments and the understanding of the morphologic characteristics of the fundus related to AL.

Purpose To examine the performance of deep-learning models that predicts the visual acuity after cataract surgery using preoperative clinical information and color fundus photography (CFP).