[論文レビュー] A Deep-learning Approach for Prognosis of Age-Related Macular Degeneration Disease using SD-OCT Imaging Biomarkers

Imon Banerjee, Luís de Sisternes+5 more|arXiv (Cornell University)|Feb 27, 2019

Retinal Imaging and Analysis参考文献 21被引用数 5

ひとこと要約

本研究では、非漏出性加齢性黄斑変性（AMD）患者における短期的（3か月）および長期的（21か月）の進行リスクを予測するために、放射線学的特徴量とSD-OCT画像の順序的分析を統合したハイブリッドRNNベースの深層学習モデルを提案する。このモデルは0.96のAUC-ROCを達成し、従来のランダムフォレストを上回り、早期に進行性AMDに移行するリスクがある患者を高精度に同定することで、的確な臨床的介入を可能にする。

ABSTRACT

We propose a hybrid sequential deep learning model to predict the risk of AMD progression in non-exudative AMD eyes at multiple timepoints, starting from short-term progression (3-months) up to long-term progression (21-months). Proposed model combines radiomics and deep learning to handle challenges related to imperfect ratio of OCT scan dimension and training cohort size. We considered a retrospective clinical trial dataset that includes 671 fellow eyes with 13,954 dry AMD observations for training and validating the machine learning models on a 10-fold cross validation setting. The proposed RNN model achieved high accuracy (0.96 AUCROC) for the prediction of both short term and long-term AMD progression, and outperformed the traditional random forest model trained. High accuracy achieved by the RNN establishes the ability to identify AMD patients at risk of progressing to advanced AMD at an early stage which could have a high clinical impact as it allows for optimal clinical follow-up, with more frequent screening and potential earlier treatment for those patients at high risk.

研究の動機と目的

• 縦断的SD-OCT画像データを用いてAMD進行を予測するモデルを開発すること。
• ハイブリッド深層学習アプローチを通じて、OCTスキャンの次元の多様性と限定的なトレーニングコホートサイズの課題に対処すること。
• 進行性AMDに移行するリスクが高いかつての患者の早期発見を改善すること。
• 提案されたモデルの性能を、ランダムフォレストなどの従来の機械学習手法と比較すること。
• 正確な長期予後を提供することで、個別化された臨床的フォローアップと早期治療を可能にすること。

提案手法

• ハイブリッド順序的深層学習モデルは、SD-OCTスキャンから抽出された放射線学的特徴量と再帰的ニューラルネットワーク（RNN）アーキテクチャを統合する。
• このモデルは、時間的経過に伴う疾患進行パターンを捉えるために、OCT画像の時系列を処理する。
• 10分割交差検証戦略を用いて、671例の対照的眼と13,954件の乾性AMD観察データを含む、後向きに取得したデータセット上でモデルをトレーニングおよび検証した。
• 放射線学的特徴量は、各OCTスキャンから抽出され、疾患進行の構造的バイオマーカーを表す。
• RNNは、時系列画像データに基づいて、3か月、12か月、21か月後のAMD進行を予測するようにトレーニングされた。
• 性能は、同一のデータセットと評価プロトコルを用いた従来のランダムフォレスト分類器と比較された。

実験結果

リサーチクエスチョン

• RQ1 SD-OCTイメージングバイオマーカーを用いた深層学習モデルは、非漏出性AMDの短期的および長期的進行を効果的に予測できるか？
• RQ2 提案されたRNNモデルの性能は、AMD予後において、ランダムフォレストなどの従来の機械学習モデルと比較してどうなるか？
• RQ3 SD-OCTスキャンからの放射線学的特徴量は、縦断的AMD進行の予測精度をどの程度向上できるか？
• RQ4 このモデルは、臨床的フォローアップ戦略に影響を与える十分な早期段階で高リスク患者を同定できるか？
• RQ5 単一時刻点分析と比較して、時系列画像データの統合は予測精度を向上させるか？

主な発見

• 提案されたRNNモデルは、受信者操作特性曲線下の面積（AUC-ROC）が0.96に達し、短期的（3か月）および長期的（21か月）AMD進行の両方を予測した。
• このモデルは、全時間点において従来のランダムフォレスト分類器を顕著に上回った。
• 高いAUC-ROCは、進行性AMDに移行するリスクがある患者を識別する強力な識別能力を示している。
• OCTスキャンの次元の多様性や限定的なトレーニングコホートサイズの課題にもかかわらず、モデルは頑健な性能を示した。
• 結果から、時系列SD-OCTデータを用いた深層学習により、高リスク患者の早期同定が可能であると示唆される。
• モデルが複数の時間点での進行を予測できる能力は、フォローアップスケジュールの最適化に向けた臨床的応用の可能性を支持する。