[論文レビュー] Predicting Progression of Age-related Macular Degeneration from Fundus Images using Deep Learning

Boris Babenko, Siva Balasubramanian+6 more|arXiv (Cornell University)|Apr 10, 2019

Retinal Imaging and Analysis参考文献 20被引用数 10

ひとこと要約

本研究では、非新生血管性加齢性黄斑デューリング（nvAMD）に進行する1年以内の予測を、非新生血管性、早期、中程度のAMDを示す患者のカラーファンダス写真から行う深層学習アルゴリズムを開発および検証した。このモデルは、手動グレーディングスケールを上回り、none/early/iAMDからの進行に対して80%特異度で78%の感度を達成し、9段階スケール（67%）および4カテゴリースケール（48%）を上回った。

ABSTRACT

Background: Patients with neovascular age-related macular degeneration (AMD) can avoid vision loss via certain therapy. However, methods to predict the progression to neovascular age-related macular degeneration (nvAMD) are lacking. Purpose: To develop and validate a deep learning (DL) algorithm to predict 1-year progression of eyes with no, early, or intermediate AMD to nvAMD, using color fundus photographs (CFP). Design: Development and validation of a DL algorithm. Methods: We trained a DL algorithm to predict 1-year progression to nvAMD, and used 10-fold cross-validation to evaluate this approach on two groups of eyes in the Age-Related Eye Disease Study (AREDS): none/early/intermediate AMD, and intermediate AMD (iAMD) only. We compared the DL algorithm to the manually graded 4-category and 9-step scales in the AREDS dataset. Main outcome measures: Performance of the DL algorithm was evaluated using the sensitivity at 80% specificity for progression to nvAMD. Results: The DL algorithm's sensitivity for predicting progression to nvAMD from none/early/iAMD (78+/-6%) was higher than manual grades from the 9-step scale (67+/-8%) or the 4-category scale (48+/-3%). For predicting progression specifically from iAMD, the DL algorithm's sensitivity (57+/-6%) was also higher compared to the 9-step grades (36+/-8%) and the 4-category grades (20+/-0%). Conclusions: Our DL algorithm performed better in predicting progression to nvAMD than manual grades. Future investigations are required to test the application of this DL algorithm in a real-world clinical setting.

研究の動機と目的

• 視力障害の主な原因である新生血管性加齢性黄斑デューリング（nvAMD）への進行を予測する信頼性のある手法の不足に対処すること。
• カラーファンダス写真を用いて、非新生血管性AMDから新生血管性AMDへの進行の初期兆候を検出できる深層学習アルゴリズムを開発すること。
• 加齢性眼疾患研究（AREDS）データセットにおいて、既存の手動グレーディングスケール（4カテゴリーおよび9段階）と比較して、アルゴリズムの性能を検証すること。
• 深層学習がAMDの早期発見および介入を向上させ、視力障害の予防に寄与する可能性を評価すること。

提案手法

• AREDSデータセットのカラーファンダス画像を用いて、深層畳み込みニューラルネットワーク（CNN）を訓練し、1年以内にnvAMDへの進行の可能性を分類する。
• 10分割交差検証を用いて、2つのコhort（非新生血管性・早期・中程度AMDを有する眼、および中程度AMDに限定されたサブグループ）におけるモデルの性能を評価した。
• 深層学習モデルの予測結果を、2つの標準的手動グレーディングシステム（4カテゴリースケールおよび9段階スケール）と比較した。
• 臨床的に重要な妥当性を持つ、80%特異度での感度最大化を最適化した。
• 一般化性と学習効率を向上させるために、事前学習済みImageNet重みを用いたトランスファー学習を採用した。
• 1年以内のnvAMDへの進行を予測するバイナリ分類ヘッドを用い、リスク分類のための確率出力を得た。

実験結果

リサーチクエスチョン

• RQ1 カラーファンダス画像から1年以内の新生血管性AMDへの進行を予測するにあたり、深層学習モデルは手動グレーディングスケールを上回ることができるか？
• RQ2 深層学習モデルの感度および特異度は、9段階スケールおよび4カテゴリーAREDSグレーディングスケールと比較してどのように異なるか？
• RQ3 中程度AMDに限定された眼においても、モデルは優れた性能を維持するか？
• RQ4 深層学習は、人間のグレーダーが信頼性を持って捉えきれない、微細で初期の進行兆候を検出できるか？

主な発見

• 非新生血管性・早期・中程度AMDを有する眼において、深層学習モデルは80%特異度で78%の感度を達成し、9段階スケール（67%）および4カテゴリースケール（48%）を有意に上回った。
• 中程度AMDに限定された眼では、モデルは80%特異度で57%の感度を示し、9段階スケール（36%）および4カテゴリースケール（20%）を上回った。
• 両コhortにおいて一貫した優位性を示し、高リスク集団における頑健性を裏付けた。
• 結果から、深層学習は手動グレーディングで捉えきれない微細で臨床的に重要な進行パターンを検出できることが示唆された。
• モデルと手動スケールとの間の性能格差は、AIが早期発見および臨床意思決定を強化する可能性を示している。
• 本研究は、深層学習がAMDにおけるリスク分類のための信頼性が高くスケーラブルなツールとなり得ることを裏付ける証拠を提供した。