search
ja日本語
banner
ホームページ / ニュース / ディープ双方向ゲートリカレントユニットネットワークモデルを使用した視野予測
ニュース
pageSearch
最新ニュース

ディープ双方向ゲートリカレントユニットネットワークモデルを使用した視野予測

May 27, 2024May 27, 2024

Scientific Reports volume 13、記事番号: 11154 (2023) この記事を引用

320 アクセス

2 オルトメトリック

メトリクスの詳細

深層学習アーキテクチャは連続データの処理に使用されていますが、緑内障の進行を検出するための深層学習アルゴリズムの有用性を調査した研究はわずかです。 ここでは、視野損失を予測するための双方向ゲート反復ユニット (Bi-GRU) アルゴリズムを提案しました。 合計で、3,321 人の患者からの 5,413 個の眼がトレーニング セットに含まれ、1,272 人の患者から 1,272 個の眼がテスト セットに含まれました。 5 回の連続した視野検査からのデータが入力として使用されました。 6回目の視野検査はBi-GRUによる予測と比較されました。 Bi-GRU のパフォーマンスは、従来の線形回帰 (LR) および長期短期記憶 (LSTM) アルゴリズムのパフォーマンスと比較されました。 全体的な予測誤差は、LR および LSTM アルゴリズムよりも Bi-GRU の方が大幅に低かった。 ポイントごとの予測では、Bi-GRU はほとんどのテスト場所で 3 つのモデルの中で最も低い予測誤差を示しました。 さらに、Bi-GRU は信頼性指数と緑内障の重症度の悪化という点で最も影響が少ないモデルでした。 Bi-GRU アルゴリズムを使用した視野損失の正確な予測は、緑内障患者の治療に関する意思決定を容易にする可能性があります。

緑内障は世界中の失明の主な原因であり、網膜神経節細胞の不可逆的な損失を特徴としています1,2。 網膜神経節細胞と視神経乳頭の構造変化は、視野の進行性の低下を引き起こします2。 将来の視野の予測は、視覚機能を維持するために不可欠です。 しかし、視野検査の結果は、特に緑内障患者の場合、ランダムな誤差や変動の影響を受けやすく、視野変化の正確な予測を妨げます3。

過去数年にわたって、機械学習アルゴリズムは緑内障の進行の予測において優れたパフォーマンスを示してきました。 Wangら4は、視野欠損の16の原型を分類し、その進行を判定した。 Murata et al.5 は、機械学習アルゴリズムの一種である変分ベイズ線形回帰が、点別線形回帰 (LR) と比較して優れた予測能力を発見しました。 近年の人工知能の発展により、ディープラーニングアルゴリズムはさまざまなタスクに優れたパフォーマンスで使用されています。 しかし、深層学習アルゴリズムを使用して視野欠損の進行を予測した研究はわずかです。 Wen et al.6 は、単一の視野検査を入力として使用し、畳み込みニューラル ネットワークを使用して将来の視野を予測しました。 Berchuck et al.7 は、変分オートエンコーダー モデルを使用して、視野の進行速度を推定しました。

リカレント ニューラル ネットワーク (RNN) は、再帰的な接続を持つ人工ネットワークであり、時間依存性のある逐次時系列やシーケンス モデリングに使用されてきました8。 連続する要素間の依存関係に基づいて、以前のデータを使用して予測を行い、現在のデータを処理できます9、10。 RNN の 2 つの主要なバリアント、長短期記憶 (LSTM)11 とゲート反復ユニット (GRU)12 は、長期依存関係を長いシーケンスにモデル化します。 以前の研究で、LSTM は通常の最小二乗法 LR13 と比較して、将来の視野を予測する能力に優れていることがわかりました。 Dixit et al.14 は、LSTM ネットワークが視野における長期的なローカルおよびグローバルな傾向を予測できることを発見しました。

GRU は、一般的な LSTM と比較して、ゲート ユニットをより効率的に、同様の速度で使用します15、16、17。 いくつかの研究により、GRU は他の RNN タイプと比較して、逐次データ分析において優れたパフォーマンスを発揮することが明らかになりました 12、15、18、19。 最近、正と負の時間方向での同時トレーニングを介して双方向 RNN 手法が開発され、コンテキストをより深く理解できるようになりました 20。 Lynn ら 15 は、連続時系列データからの心電図ベースの生体認証を使用して人間を識別するためのいくつかの RNN ベースのモデルを比較しました。 LSTM モデルと GRU モデルを使用した双方向ネットワークは従来の RNN モデルよりも効果的であり、双方向ゲート リカレント ユニット (Bi-GRU) モデルは双方向 LSTM モデルよりも優れたパフォーマンスを示しました。 視野検査では広範な相互接続を備えた連続データが提供されるため、Bi-GRU は以前の LSTM ベースの RNN モデルと比較して、視野の進行をより正確に予測できる可能性があります。