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).

To identify the macular retinal layer thickness changes in polyarteritis nodosa (PAN) patients without pathological findings appearing in color fundus photography (CFP), and to investigate the correlations with disease durations. A total of 24 PAN patients who had been for 3 years or more and underwent SD-OCT were recruited from the UK Biobank, with exclusions for diabetes, eye disease, or abnormal CFP findings. Only the right eyes were included, with each PAN patient paired one-to-one with a control matched for age, sex, and ethnicity. Paired t-tests or Wilcoxon Signed-Rank tests were used to assess the differences in thickness of different retinal layers between groups, followed by linear regression analysis to evaluate the correlations with disease durations. PAN patients had significantly thinner retinal nerve fiber layer (RNFL) by 12.27% (mean ± standard deviation = 27.39 ± 8.94 μm for PAN patients and 31.22 ± 5.57 μm for controls, p = 0.048) and thinner outer plexiform and outer nuclear layers (OPL-ONL complex) by 10.67% (44.93 ± 6.59 μm for PAN patients and 50.31 ± 7.60 μm for controls, p = 0.032). Visual acuity and the whole macular thickness showed no statistical difference. The RNFL was thinned by 1.22 μm per year of disease progression (95% confidence interval: 0.12, 2.32, p = 0.042). PAN patients without visual impairments or abnormal CFP findings may exhibit significant thinning in RNFL and OPL-ONL complex. SD-OCT may serve as a useful tool for early screening of ophthalmic changes in PAN.