マルチを使用した緑内障診断

Jun 30, 2023

Scientific Reports volume 12、記事番号: 8064 (2022) この記事を引用

4069 アクセス

8 件の引用

2 オルトメトリック

メトリクスの詳細

この研究では、複数の特徴を分析し、光干渉断層撮影 (OCT) 画像からの新しい視神経乳頭断面 (ONH) 特徴を導入することにより、現在の緑内障の診断評価を容易にすることを目的としました。 データ (緑内障と対照の両方で n = 100) は、構造的、機能的、人口統計的および危険因子に基づいて収集されました。 特徴は統計的に分析され、最も重要な 4 つの特徴は機械学習 (ML) アルゴリズムのトレーニングに使用されました。 深層学習 (DL) とロジスティック回帰 (LR) の 2 つの ML アルゴリズムが、自動緑内障検出の分類精度の観点から比較されました。 ML モデルのパフォーマンスは、未確認のテスト データ (n = 55) で評価されました。次に、画像セグメンテーションのパイロット スタディが断面 OCT スキャンで実行されました。 ONH カップ領域が抽出、分析され、緑内障予測のために新しい DL モデルがトレーニングされました。 DL モデルは 5 分割相互検証を使用して推定され、2 つの事前トレーニングされたモデルと比較されました。 最適な特徴からトレーニングされた DL モデルは、自動緑内障検出に関する以前の研究と比較して、大幅に高い診断性能 (受信者動作特性曲線下面積 (AUC) 0.98、検証データで 97%、テストデータで 96% の精度) を達成しました。 パイロット研究で使用された 2 番目の DL モデルも、2 つの事前トレーニング済みモデルと比較して、緑内障を検出する有望な結果 (AUC 0.99 および精度 98.6%) を示しました。 2 つの研究の結果を組み合わせると、深層学習を使用してトレーニングされた 4 つの特徴と ONH カップの断面領域が、臨床医が正確な判断を下すのに役立つ緑内障の初期スクリーニング ツールとして使用できる大きな可能性があることが強く示唆されています。

緑内障は、網膜神経節細胞 (RGC) の喪失を特徴とするさまざまな根本的な病因を伴う、失明の可能性がある視神経障害です。 これは、臨床的には視神経乳頭（ONH）の解剖学的変化、主に篩状板の薄化と後部の湾曲によって特徴づけられ、臨床的にはONHカッピングとして見られます1。 緑内障性視神経障害の検出とモニタリングは、臨床的決定を下す前に観察および評価されるいくつかの臨床的特徴に依存します2。 現在、緑内障の診断とモニタリングには、完全な眼科検査と追加の検査と大量のデータの収集が必要であり、その解釈が困難な場合があります。 さらに、正常な被験者と初期緑内障患者の眼の特徴にはかなりの重複があります。 これらの理由から、真の病状と正常な変動性、および真の進行と検査間の変動性を区別するのに役立つ、人工知能 (AI) システム 3 などの補完的な技術の開発に関心が集まっています。

眼科における最近の AI の導入に続き、自動緑内障検出のためにいくつかの機械学習 (ML) アルゴリズムが調査および開発されています。これにより、網膜画像を迅速に処理し、従来の方法と比較して病理検査で緑内障の損傷を正確に検出できます。 より単純な ML から高度な深層学習 (DL) アルゴリズムを使用して、主に眼球画像から自動緑内障検出が広く研究されており、その結果はさまざまです。 眼底画像と OCT 画像からトレーニングされたほとんどの DL アルゴリズムは、2 つの共通のステップを実行します。 関心領域のセグメンテーションと緑内障眼と非緑内障眼の分類。 初期段階では、AI 技術を使用して緑内障を評価および検出するために眼底写真が広く使用されてきました4、5、6、7、8。 Ting et al.9 は、71,896 枚の検証済み網膜眼底写真で DL モデルをトレーニングし、AUC 0.942 の参照可能な緑内障の可能性を検出しました。

さらに、Asaoka et al.10 は転移学習モデルを黄斑 OCT 画像に適用し、正常な眼と早期発症緑内障の眼で構成される独立したデータセットでの診断性能を評価しました。 モデルの AUC は 0.93 で、サポート ベクター マシン (SVM) やランダム フォレスト (RF) などの他の ML 手法と比較して大幅に大きかった。 An et al.11 は、緑内障の眼と正常な眼を区別するために VGG19 モデルを使用して眼底画像と OCT 画像の両方をトレーニングし、眼底で 0.94 の AUC、OCT 画像の 4 つの特徴で 0.94 の AUC を達成し、すべての画像の組み合わせで AUC を達成しました。 0.96の。