[論文レビュー] Deep Learning and Computer Vision for Glaucoma Detection: A Review

Mona Ashtari-Majlan, Mohammad Mahdi Dehshibi+1 more|arXiv (Cornell University)|Jul 31, 2023

Retinal Imaging and Analysis被引用数 4

ひとこと要約

本稿は、網膜眼底写真、OCT、視野検査画像を用いた自動緑内障診断のためのディープラーニングおよびコンピュータビジョン手法をレビューし、アーキテクチャのパラダイム、パフォーマンスのベンチマーク、および未解決の課題に焦点を当てる。一般化性能、不確実性推定、マルチモodal統合における深刻なギャップを特定するとともに、データセットのキュレーションを行い、再現可能で臨床応用可能なAIソリューションの実現を提言する。

ABSTRACT

Glaucoma is the leading cause of irreversible blindness worldwide and poses significant diagnostic challenges due to its reliance on subjective evaluation. However, recent advances in computer vision and deep learning have demonstrated the potential for automated assessment. In this paper, we survey recent studies on AI-based glaucoma diagnosis using fundus, optical coherence tomography, and visual field images, with a particular emphasis on deep learning-based methods. We provide an updated taxonomy that organizes methods into architectural paradigms and includes links to available source code to enhance the reproducibility of the methods. Through rigorous benchmarking on widely-used public datasets, we reveal performance gaps in generalizability, uncertainty estimation, and multimodal integration. Additionally, our survey curates key datasets while highlighting limitations such as scale, labeling inconsistencies, and bias. We outline open research challenges and detail promising directions for future studies. This survey is expected to be useful for both AI researchers seeking to translate advances into practice and ophthalmologists aiming to improve clinical workflows and diagnosis using the latest AI outcomes.

研究の動機と目的

• 2017年から2023年までの間における、自動緑内障診断のためのディープラーニングおよびコンピュータビジョン技術に関する体系的レビューを提供すること。
• 緑内障の診断的課題、特に無症状の初期段階や、現在の画像診断および機能的検査の限界に対処すること。
• 公開データセットを用いたパフォーマンスギャップ、一般化性能、不確実性推定、マルチモーダルデータ統合の観点から、モデルの性能を評価すること。
• 主なデータセットをキュレーションし、スケール、ラベル付けの不一致、バイアスといった既存ベンチマークの制限を強調すること。
• AIの進展を臨床的実践にどのように統合するかに関する未解決の研究課題と今後の方向性を提示すること。

提案手法

• Web of Science、PubMed、IEEE Xplore、Google Scholar の各データベースを対象に、キーワードとブール演算子を用いた体系的文献検索を実施した。
• 二段階のスクリーニングプロセス（題名・要旨のレビュー、次に全文評価）を採用し、AIを用いた緑内障診断に関連する論文の適合性を保証した。
• 畳み込みニューラルネットワーク（CNNs）、オートエンコーダー、アテンションネットワーク、GANs、幾何的ディープラーニングを含む、アーキテクチャのパラダイムに分類して深層学習モデルを分類した。
• 広く用いられる公開データセットを用いてモデルをベンチマーク化し、異なる画像モodalにおけるパフォーマンス、一般化性能、耐性を評価した。
• 網膜画像からの緑内障バイオマーカー同定に用いられる特徴抽出技術（構造的、統計的、ハイブリッド）を評価した。
• 再現可能性を促進するため、レビュー対象の手法を利用可能なソースコードリポジトリと連携し、オープンデータセットおよび評価ベンチマークの導入を提唱した。

Figure 1: Anatomical structures of the human eye and optic nerve relevant to glaucoma detection. [Left] Schematic views, [Right] Fundus and OCT views [ 11 ] . This figure was created using images licensed under Creative Commons.

実験結果

リサーチクエスチョン

• RQ1 網膜眼底写真、OCT、視野検査画像の各モodalにおいて、現在の最先端のディープラーニングアーキテクチャおよびコンピュータビジョン技術は何か？
• RQ2 公開データセット上での既存モデルの一般化性能、不確実性推定、マルチモーダル統合の観点でのパフォーマンスはいかがなっているか？
• RQ3 現在のデータセットにおける主な制限（スケール、ラベル品質、バイアス）は何か。それらはモデルのパフォーマンスにどのように影響しているか？
• RQ4 AIを用いた緑内障診断を実臨床ワークフローに統合するにあたり、主な課題は何か？
• RQ5 メタラーニング、敵対的訓練、強化学習といった今後の研究分野は、臨床応用を加速するためにどのように寄与できるか？

主な発見

• 畳み込みニューラルネットワーク（CNNs）やアテンションベースのアーキテクチャを含むディープラーニングモデルは、網膜眼底写真およびOCT画像からの緑内障分類において優れた性能を示しており、一部のモデルではベンチマークデータセットでAUCが0.90を超える成果が得られている。
• 多様な集団や画像デバイス間での一般化性能には依然として顕著なギャップが存在し、ドメインシフトに対して耐性が低いことが示唆されている。
• 緑内障診断に用いられるディープラーニングモデルにおける不確実性推定は、依然として未発達であり、臨床意思決定支援に役立つ信頼性のある信頼区間推定を提供できる手法は少数にとどまっている。
• 網膜眼底写真、OCT、視野検査データのマルチモーダル統合はまだ初期段階にあり、これらのデータタイプを効果的に統合して診断精度を向上させるモデルは限られている。
• 既存のデータセットは、規模の不足、ラベル付けの不一致、および人口的バイアスといった制限を抱えており、これらは強固で公平性を備えたAIシステムの開発を阻害している。
• 説明可能なAI、トランスファーラーニング、医師が関与するフレームワークの統合は、臨床応用およびAI駆動の緑内障診断における信頼性を高めるための重要な道筋として浮上している。