[논문 리뷰] Predicting Progression of Age-related Macular Degeneration from Fundus Images using Deep Learning

Boris Babenko, Siva Balasubramanian외 6명|arXiv (Cornell University)|2019. 04. 10.

Retinal Imaging and Analysis참고 문헌 20인용 수 10

한 줄 요약

이 연구는 비모낭성 연령 관련 망막병변(AMD)이 없는 환자, 초기 또는 중기 AMD 환자에서 색소망막도자 사진을 이용해 1년 이내에 모낭성 연령 관련 망막병변(nvAMD)으로 진행될 가능성을 예측하는 딥러닝 알고리즘을 개발하고 검증하였다. 이 모델은 수작업 평가 척도보다 뛰어난 성능을 보였으며, 비모낭성/초기/중기 AMD에서 진행 여부를 예측할 때 80% 특이도에서 78% 민감도를 기록하여 9단계 척도(67%)와 4범주 척도(48%)를 뛰어넘었다.

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.

연구 동기 및 목표

• 시력 손실의 주요 원인인 모낭성 연령 관련 망막병변(nvAMD)으로의 진행을 예측할 수 있는 신뢰할 수 있는 방법의 부족을 해결하기 위해.
• 색소망막도자 사진을 이용해 비모낭성에서 모낭성 AMD로의 진행 조기 징후를 탐지할 수 있는 딥러닝 알고리즘을 개발하기 위해.
• 연령 관련 눈병 연구(AGE-Related Eye Disease Study, AREDS) 데이터셋에서 기존 수작업 평가 척도(4범주 척도 및 9단계 척도)와의 비교를 통해 알고리즘 성능을 검증하기 위해.
• 딥러닝이 AMD의 조기 발견 및 조치를 향상시켜 시력 손실을 방지할 잠재력을 평가하기 위해.

제안 방법

• AREDS 데이터셋의 색소망막도자 사진을 기반으로 딥 컨volution 신경망(CNN)을 훈련시어 1년 내 nvAMD 진행 가능성의 분류를 수행하였다.
• 모델 성능 평가를 위해 10겹 교차검증을 사용하여 두 코hort(비모낭성/초기/중기 AMD가 있는 눈, 중기 AMD만 있는 하위군)를 대상으로 하였다.
• 딥러닝 모델의 예측 결과를 두 가지 표준 수작업 평가 체계인 4범주 척도와 9단계 척도와 비교하였다.
• 조기 발견에 임상적으로 유의미한 트레이드오프인 80% 특이도에서 민감도를 최대화하도록 모델을 최적화하였다.
• 일반화 능력 향상과 훈련 효율성 향상을 위해 사전 훈련된 ImageNet 가중치를 활용한 전이학습을 적용하였다.
• 1년 내 nvAMD 진행 여부를 이진 분류 헤드를 통해 예측하였으며, 위험도 분류를 위한 확률 출력을 제공하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 색소망막도자 사진에서 1년 내 모낭성 AMD 진행을 예측하는 데 있어 수작업 평가 척도를 능가할 수 있는가?
• RQ2 딥러닝 모델의 민감도 및 특이도 측면에서 9단계 척도 및 4범주 AREDS 평가 척도와의 성능 비교는 어떠한가?
• RQ3 중기 AMD만을 포함한 눈에 국한되었을 때도 모델은 뛰어난 성능을 유지하는가, 이는 고위험군에서의 임상적 유용성을 시사하는가?
• RQ4 딥러닝은 인간 평가자들이 신뢰성 있게 포착하지 못하는 미세한 초기 진행 징후를 탐지할 수 있는가?

주요 결과

• 비모낭성/초기/중기 AMD가 있는 눈에서 딥러닝 모델은 80% 특이도에서 78% 민감도를 기록하여 9단계 척도(67%)와 4범주 척도(48%)를 뛰어넘는 뛰어난 성능을 보였다.
• 중기 AMD만 있는 눈에서 모델은 80% 특이도에서 57% 민감도를 기록하여 9단계 척도(36%)와 4범주 척도(20%)를 초월하였다.
• 두 코hort 모두에서 일관된 슈퍼리어리티를 보이며, 고위험군에서의 강건성을 입증하였다.
• 결과는 딥러닝이 수작업 평가자가 놓치는 미세한 임상적으로 유의미한 진행 패tern을 탐지할 수 있음을 시사한다.
• 모델과 수작업 척도 간의 성능 격차는 인공지능이 조기 발견 및 임상 의사결정을 향상시킬 잠재력을 보여준다.
• 본 연구는 딥러닝이 AMD에서 위험도 분류를 위한 신뢰할 수 있고 확장 가능한 도구가 될 수 있음을 입증하며, 적절한 치료 개입을 위한 시기적 조치를 지원할 수 있음을 제시한다.