We propose a hybrid sequential prediction model called “Deep Sequence”, integrating radiomics-engineered imaging features, demographic, and visual factors, with a recursive neural network (RNN) model in the same platform to predict the risk of exudation within a future time-frame in non-exudative AMD eyes. The proposed model provides scores associated with risk of exudation in the short term (within 3 months) and long term (within 21 months), handling challenges related to variability of OCT scan characteristics and the size of the training cohort. We used a retrospective clinical trial dataset that includes 671 AMD fellow eyes with 13,954 observations before any signs of exudation for training and validation in a tenfold cross validation setting. Deep Sequence achieved high performance for the prediction of exudation within 3 months (0.96 ± 0.02 AUCROC) and within 21 months (0.97 ± 0.02 AUCROC) on cross-validation. Training the proposed model on this clinical trial dataset and testing it on an external real-world clinical dataset showed high performance for the prediction within 3-months (0.82 AUCROC) but a clear decrease in performance for the prediction within 21-months (0.68 AUCROC). While performance differences at longer time intervals may be derived from dataset differences, we believe that the high performance and generalizability achieved in short-term predictions may have a high clinical impact allowing for optimal patient follow-up, adding the possibility of more frequent, detailed screening and tailored treatments for those patients with imminent risk of exudation.

我们提出了一种称为“深度序列”的混合序列预测模型，将放射组学工程成像特征、人口统计和视觉因素与同一平台中的递归神经网络 (RNN) 模型相结合，以预测未来一段时间内的渗出风险 -非渗出性 AMD 眼中的框架。所提出的模型提供与短期（3 个月内）和长期（21 个月内）渗出风险相关的评分，处理与 OCT 扫描特征的可变性和训练队列规模相关的挑战。我们使用了一个回顾性临床试验数据集，其中包括 671 只 AMD 对侧眼和 13,954 次观察，在任何渗出迹象之前，在十倍交叉验证设置中进行训练和验证。Deep Sequence 在预测 3 个月内的渗出方面取得了高性能 (0.96 ± 0. 02 AUCROC) 和 21 个月内 (0.97 ± 0.02 AUCROC) 进行交叉验证。在此临床试验数据集上训练提议的模型并在外部真实世界临床数据集上对其进行测试，结果显示 3 个月内的预测性能很高 (0.82 AUCROC)，但 21 个月内的预测性能明显下降 (0.68 AUCROC) ）。虽然较长时间间隔内的性能差异可能源于数据集差异，但我们相信短期预测中实现的高性能和普遍性可能具有较高的临床影响，从而实现最佳的患者随访，增加了更频繁、更详细的可能性为那些即将有渗出风险的患者进行筛查和量身定制的治疗。在此临床试验数据集上训练提议的模型并在外部真实世界临床数据集上对其进行测试，结果显示 3 个月内的预测性能很高 (0.82 AUCROC)，但 21 个月内的预测性能明显下降 (0.68 AUCROC) ）。虽然较长时间间隔内的性能差异可能源于数据集差异，但我们相信短期预测中实现的高性能和普遍性可能具有较高的临床影响，从而实现最佳的患者随访，增加了更频繁、更详细的可能性为那些即将有渗出风险的患者进行筛查和量身定制的治疗。在此临床试验数据集上训练提议的模型并在外部真实世界临床数据集上对其进行测试，结果显示 3 个月内的预测性能很高 (0.82 AUCROC)，但 21 个月内的预测性能明显下降 (0.68 AUCROC) ）。虽然较长时间间隔内的性能差异可能源于数据集差异，但我们相信短期预测中实现的高性能和普遍性可能具有较高的临床影响，从而实现最佳的患者随访，增加了更频繁、更详细的可能性为那些即将有渗出风险的患者进行筛查和量身定制的治疗。82 AUCROC），但在 21 个月内的预测性能明显下降（0.68 AUCROC）。虽然较长时间间隔内的性能差异可能源于数据集差异，但我们相信短期预测中实现的高性能和普遍性可能具有较高的临床影响，从而实现最佳的患者随访，增加了更频繁、更详细的可能性为那些即将有渗出风险的患者进行筛查和量身定制的治疗。82 AUCROC），但在 21 个月内的预测性能明显下降（0.68 AUCROC）。虽然较长时间间隔内的性能差异可能源于数据集差异，但我们相信短期预测中实现的高性能和普遍性可能具有较高的临床影响，从而实现最佳的患者随访，增加了更频繁、更详细的可能性为那些即将有渗出风险的患者进行筛查和量身定制的治疗。