[論文レビュー] Automatic detection of glaucoma via fundus imaging and artificial intelligence: A review

Lauren Joyce Coan, Bryan Williams+7 more|arXiv (Cornell University)|Apr 12, 2022

Retinal Imaging and Analysis被引用数 5

ひとこと要約

このレビューでは、網膜画像を用いた人工知能（AI）ベースの自動緑内障検出手法について、視乳頭および杯のセグメンテーションに焦点を当てて評価している。28件の研究を分析し、ルールベース手法と機械学習アプローチを比較した結果、研究環境では高い精度を示すものの、臨床応用への移行には依然として大きな課題が残っていることが明らかになった。

ABSTRACT

Glaucoma is a leading cause of irreversible vision impairment globally and cases are continuously rising worldwide. Early detection is crucial, allowing timely intervention which can prevent further visual field loss. To detect glaucoma, examination of the optic nerve head via fundus imaging can be performed, at the centre of which is the assessment of the optic cup and disc boundaries. Fundus imaging is non-invasive and low-cost; however, the image examination relies on subjective, time-consuming, and costly expert assessments. A timely question to ask is can artificial intelligence mimic glaucoma assessments made by experts. Namely, can artificial intelligence automatically find the boundaries of the optic cup and disc (providing a so-called segmented fundus image) and then use the segmented image to identify glaucoma with high accuracy. We conducted a comprehensive review on artificial intelligence-enabled glaucoma detection frameworks that produce and use segmented fundus images. We found 28 papers and identified two main approaches: 1) logical rule-based frameworks, based on a set of simplistic decision rules; and 2) machine learning/statistical modelling based frameworks. We summarise the state-of-art of the two approaches and highlight the key hurdles to overcome for artificial intelligence-enabled glaucoma detection frameworks to be translated into clinical practice.

研究の動機と目的

• 網膜画像を用いたAI駆動の自動緑内障検出分野における最新の状態を評価すること。
• 視乳頭および杯の境界をセグメンテーションに基づくアプローチの性能と限界を分析すること。
• ルールベースフレームワークと機械学習／統計モデリングアプローチを比較して、緑内障検出に用いること。
• AIフレームワークが臨床現場での導入が妨げられている主な障壁を特定すること。
• 現在の研究動向を要約し、AIを用いた緑内障スクリーニング分野における今後の方向性を強調すること。

提案手法

• 網膜画像を用いたAIを活用した緑内障検出に関する28件の研究を対象とした包括的な文献レビューを実施した。
• フレームワークを2つの主要なカテゴリに分類した：論理的ルールベースシステムと機械学習／統計モデリングアプローチ。
• 各フレームワークの技術的構成、特に視乳頭および杯のセグメンテーション技術を分析した。
• レビューされた研究から報告された性能指標を用いて、これらのシステムの精度および頑健性を評価した。
• モデルの一般化可能性、データ品質、臨床的実現可能性に関する知見を統合した。
• AIモデル全体において、標準化、解釈可能性、実世界での検証の欠如というギャップを特定した。

実験結果

リサーチクエスチョン

• RQ1 ルールベースと機械学習ベースのAIフレームワークは、網膜画像における視乳頭および杯のセグメンテーションにおいて、どのようにアプローチが異なるか？
• RQ2 分離された網膜画像からの緑内障検出において、AIモデルの報告された正確性率および性能指標は何か？
• RQ3 実世界の医療現場でのAIベースの緑内障検出の導入を妨げる主な技術的および臨床的課題は何か？
• RQ4 画像品質のばらつき、データセットの多様性、モデルアーキテクチャの違いが、AIシステムの信頼性にどのように影響するか？
• RQ5 研究から臨床応用への移行を実現するには、どのような改善が必要か？

主な発見

• 網膜画像およびセグメンテーションを用いたAIベースの緑内障検出に関する28件の研究を同定した。
• ルールベースフレームワークは、単純で手作業で設計された意思決定ルールに依存しており、画像の変動に対する適応性が限定的である。
• 機械学習ベースのモデル、特にディープラーニングアプローチは、ルールベースシステムに比べて高いセグメンテーション精度と一般化能力を達成している。
• 制御された環境下では優れた性能を示すものの、大多数のAIモデルは実世界の画像のばらつきや臨床ワークフロー統合に対して頑健性に欠けている。
• 臨床導入の主な障壁には、解釈不能性、多様な集団における十分な検証の不足、実世界でのテストの限界が含まれる。
• 今後の臨床応用のためには、データセットの標準化、評価プロトコル、モデルの透明性の向上が不可欠である。