プライマリケア設定における緑内障紹介意思決定支援のための機械学習分類器の評価
Scientific Reports volume 12、記事番号: 8518 (2022) この記事を引用
953 アクセス
1 引用
3 オルトメトリック
メトリクスの詳細
目の機能的および/または構造的変化を分析することによって緑内障の診断を支援するために、いくつかの人工知能アルゴリズムが提案されています。 これらのアルゴリズムには、眼球画像にアクセスできる慎重に厳選されたデータセットが必要です。 現在の研究では、簡単に取得できる単一の眼の特徴 (眼圧 (IOP)) と非眼の特徴 (年齢、性別、人種、BMI、収縮期血圧、および収縮期血圧) を使用して自己報告緑内障を予測するための分類器をモデル化および評価しました。拡張期血圧、および併存疾患)。 分類器は、登録時に緑内障と診断されていない 3,015 人の被験者の公開データに基づいてトレーニングされました。 その後、337 人の被験者が登録後 1 ~ 12 年間に緑内障の診断を自己申告しました。 分類子は、登録時に記録された特徴のみを使用してこれらの被験者を識別する能力について評価されました。 サポート ベクター マシン、ロジスティック回帰、適応ブースティングは、それぞれ F1 スコアが 0.31、0.30、0.28 のデータセットに対して同様に実行されました。 ロジスティック回帰の感度は 60% で最も高く、特異度は 69% でした。 主に眼以外の特徴を使用する予測分類器は、プライマリケアを含む眼科以外の環境で緑内障の疑いを特定するために使用できる可能性があります。 予測分類器のパフォーマンスを向上させる追加機能を見つけるためのさらなる研究が必要です。
緑内障は、網膜神経節細胞の喪失を引き起こす進行性の視神経障害です。 治療しないと完全な失明につながる可能性があります。 これは、世界における不可逆的な失明の主な原因です。 現在、緑内障に罹患している人は約 7,000 万人で、その数は 2040 年までに約 1 億 1,200 万人に増加すると予測されています 1。緑内障による視覚障害は不可逆的ですが、病気の早期発見と治療により永久的な視力喪失のリスクを軽減できます 2。 残念なことに、これは緑内障の無症候性の性質 3 と、その複雑でリソースを大量に消費する主観的な診断プロセス 4,5,6,7 によって妨げられています。 人工知能 (AI) ベースのアプローチにより、必ずしも眼科用画像装置にアクセスできない環境 (プライマリケアなど) で、緑内障を発症するリスクが高い個人を特定するための予測モデルの構築、検証、実装が可能になる可能性があります。ケアを眼科と調整します。
近年、糖尿病性網膜症 8,9、黄斑浮腫 10,11、円錐角膜 12 などの眼科病状の診断のために、いくつかの AI ベースのアプローチが研究されています。 これらの取り組みの一部は新しい医療機器につながりました。 2018 年、IDx-DR は、初の完全自律型 AI ベースの糖尿病性網膜症診断システムとして米国食品医薬品協会によって承認されました13。 いくつかの AI 研究では、緑内障の予後と診断のために目に現れる構造的および機能的パターンを解釈することが試みられています 14,15,16,17,18,19,20,21,22,23,24,25。 人工ニューラルネットワーク(ANN)と機械学習分類器は、従来の方法よりも早く緑内障の進行パターンを特定するために、視野などの機能データに使用されてきました14、15、16、17。 深層学習の出現により、カラー眼底写真 (CFP) 18、19、20、21、22 や黄斑光干渉断層撮影 (OCT) 画像 23、24、25 などの網膜イメージングを使用して、緑内障の損傷を区別するための構造的特徴を抽出することが可能になりました。 。 臨床的に実現可能な AI ベースの診断技術がすでに導入されている糖尿病網膜症などの症状と比較すると、緑内障では視神経乳頭の外観が大きく異なるため、そのようなツールを開発するのはより困難になる可能性があります。 高い診断精度を達成するには、慎重に選択された大規模で多様なトレーニング データセットが必要になるため、この課題はさらに大きくなります。 緑内障特有のモデルのパフォーマンスは画像の品質と数 (100,000 以上) に依存するため、時間と費用がかかるプロセスになります 26。 さらに、視野検査は固有の主観性を考慮して繰り返し行う必要があり、病院の眼科サービスに課せられる作業負荷の主要部分となっています 22,27。