[論文レビュー] Unsupervised deep learning for grading of age-related macular degeneration using retinal fundus images

Baladitya Yellapragada, Sascha Hornhauer+3 more|arXiv (Cornell University)|Oct 22, 2020

Retinal Imaging and Analysis参考文献 39被引用数 5

ひとこと要約

本論文は、ラベルなしデータを必要とせず、網膜後極部画像からの加齢性黄斑変性症（AMD）の重症度を評価する非パラメトリックインスタンス識別（NPID）を用いた教師なし深層学習手法を提案する。この手法は、上級または受診を要するAMDにおいて、教師ありネットワークおよび人間の眼科医と同等の精度を達成するとともに、医師が定義しないラベルを用いても、地理的萎縮や白内障などの疾患関連特徴を同定する。

ABSTRACT

Many diseases are classified based on human-defined rubrics that are prone to bias. Supervised neural networks can automate the grading of retinal fundus images, but require labor-intensive annotations and are restricted to the specific trained task. Here, we employed an unsupervised network with Non-Parametric Instance Discrimination (NPID) to grade age-related macular degeneration (AMD) severity using fundus photographs from the Age-Related Eye Disease Study (AREDS). Our unsupervised algorithm demonstrated versatility across different AMD classification schemes without retraining, and achieved unbalanced accuracies comparable to supervised networks and human ophthalmologists in classifying advanced or referable AMD, or on the 4-step AMD severity scale. Exploring the networks behavior revealed disease-related fundus features that drove predictions and unveiled the susceptibility of more granular human-defined AMD severity schemes to misclassification by both ophthalmologists and neural networks. Importantly, unsupervised learning enabled unbiased, data-driven discovery of AMD features such as geographic atrophy, as well as other ocular phenotypes of the choroid, vitreous, and lens, such as visually-impairing cataracts, that were not pre-defined by human labels.

研究の動機と目的

• 高価で手間のかかる人間によるアノテーションに依存せずに、網膜後極部画像におけるAMD重症度の評価手法を開発すること。
• 事前に定義された分類スキームに制限されやすく、バイアスにさらされやすい教師ありモデルの限界を是正すること。
• 臨床的ルーブリックに事前に定義されていないAMD関連特徴のデータ駆動的同定を可能にすること。
• 教師なし表現学習が、教師ありモデルおよび人間の専門家と同等か、それ以上のAMD評価性能を達成できるかどうかを評価すること。

提案手法

• 著者らは、ラベルなしの網膜後極部画像から意味のある表現を学習するために、非パラメトリックインスタンス識別（NPID）を用いた教師なし深層ニューラルネットワークを採用する。
• NPIDは、同じ画像の異なる増幅処理同士を対比させることで、同一画像からの特徴を判別可能にし、異なる画像からの特徴を分離させるようにネットワークを促進する。
• 学習された特徴は、4段階AMDスケールや受診を要する／上級AMDのカテゴリを含む、複数の分類スキームにおけるAMD重症度分類に使用される。
• モデルは、年齢関連眼疾患研究（AREDS）データセットを用いて評価され、再訓練なしに異なる分類スキームへのゼロショット転送が実施された。
• 特徴の可視化とサリエンシー解析を用いて、モデルの予測を解釈し、網膜内の疾患関連パターンを同定する。
• 潜在表現解析を通じて、医師がアノテートしていない以前の未同定眼症候群、例えば地理的萎縮、白内障、硝子体変化を同定した。

実験結果

リサーチクエスチョン

• RQ1 教師なし深層学習モデルは、AMD重症度の評価において、教師ありモデルおよび人間の眼科医と同等の性能を達成できるか？
• RQ2 教師なし表現学習は、人間の分類スキームに事前に定義されていない臨床的に関連する眼特徴を同定できるか？
• RQ3 微調整や再訓練なしに、モデルは複数のAMD分類スキームに一般化できるか？
• RQ4 人間の眼科医とニューラルネットワークは、微細なAMD重症度段階をどれほど誤分類するか？
• RQ5 具体的にどのような網膜特徴がモデルの予測を駆動しており、それらは既知の疾患病態と一致するか？

主な発見

• 教師なしNPIDモデルは、受診を要する／上級AMDの分類において、教師あり深層学習モデルおよび人間の眼科医と同等の不均衡精度を達成した。
• モデルは、再訓練なしに、4段階AMD重症度スケールを含む複数のAMD分類スキームにゼロショット一般化を示した。
• 学習された表現を通じて、訓練データに明示的にラベル付けされていなくても、地理的萎縮や白内障などの疾患関連特徴が同定された。
• サリエンシー解析により、モデルが臨床的に関連する領域（例：ドリューゼンや色素変化）に注目していることが明らかになった。これは専門家の診断マーカーと一致した。
• モデルと人間の専門家ともに、微細なAMD重症度カテゴリでの誤分類率が上昇しており、これらの分類に固有の曖昧さがあることを示唆した。
• 潜在特徴解析を通じて、水晶体の混濁や硝子体変化といった追加の眼症候群が同定された。これは、AMDを越えて広範な診断的有用性を有する可能性を示唆している。