[논문 리뷰] Predicting risk of late age-related macular degeneration using deep learning

Yifan Peng, Tiarnán D L Keenan외 6명|arXiv (Cornell University)|2020. 07. 19.

Retinal Imaging and Analysis참고 문헌 44인용 수 8

한 줄 요약

이 연구는 색채 안저 사진을 사용하여 늦은 연령 관련 황반변성(AMD)으로 진행될 개인의 위험을 예측하기 위해 컨volutional 신경망과 생존 분석을 결합한 딥러닝 모델을 개발한다. AREDS 및 AREDS2에서 3,298명의 참가자에게서 훈련된 모델은 5년 C-통계치가 86.4(95% 신뢰구간: 86.2–86.6)를 기록하여 기존 임상 기준을 뛰어나며, 독립적인 코hort에서의 높은 일반화 능력을 보였다.

ABSTRACT

By 2040, age-related macular degeneration (AMD) will affect approximately 288 million people worldwide. Identifying individuals at high risk of progression to late AMD, the sight-threatening stage, is critical for clinical actions, including medical interventions and timely monitoring. Although deep learning has shown promise in diagnosing/screening AMD using color fundus photographs, it remains difficult to predict individuals' risks of late AMD accurately. For both tasks, these initial deep learning attempts have remained largely unvalidated in independent cohorts. Here, we demonstrate how deep learning and survival analysis can predict the probability of progression to late AMD using 3,298 participants (over 80,000 images) from the Age-Related Eye Disease Studies AREDS and AREDS2, the largest longitudinal clinical trials in AMD. When validated against an independent test dataset of 601 participants, our model achieved high prognostic accuracy (five-year C-statistic 86.4 (95% confidence interval 86.2-86.6)) that substantially exceeded that of retinal specialists using two existing clinical standards (81.3 (81.1-81.5) and 82.0 (81.8-82.3), respectively). Interestingly, our approach offers additional strengths over the existing clinical standards in AMD prognosis (e.g., risk ascertainment above 50%) and is likely to be highly generalizable, given the breadth of training data from 82 US retinal specialty clinics. Indeed, during external validation through training on AREDS and testing on AREDS2 as an independent cohort, our model retained substantially higher prognostic accuracy than existing clinical standards. These results highlight the potential of deep learning systems to enhance clinical decision-making in AMD patients.

연구 동기 및 목표

• 질병의 시력 손상 유발 단계인 늦은 AMD로의 진행 위험을 더 정확하게 예측하기 위해.
• 환자 수준의 위험 예측을 위해 영상 분류와 생존 분석을 통합한 딥러닝 프레임워크를 개발하기 위해.
• AREDS2와 같은 독립적인 데이터셋에서의 검증을 통해 훈련 데이터를 초월한 일반화 능력을 평가하기 위해.
• 전문가가 평가한 특징에 의존하고 예후 정확도가 낮은 등의 기존 임상 기준의 한계를 극복하기 위해.
• 더 정밀한 고위험 환자 식별을 통해 조기에 임상적 간섭을 가능하게 하기 위해.

제안 방법

• 두 단계로 구성된 딥러닝 프레임워크를 사용함: 첫째, 컨volutional 신경망(CNN)이 색채 안저 사진에서 특징을 추출하고, 둘째, 이러한 특징들이 생존 분석을 위한 코크스 비례 위험 모델에 입력됨.
• 모델은 AREDS 및 AREDS2 임상 시험에서 3,298명의 참가자에게서 훈련되었으며, 양안의 안저 영상, 나이, 흡연 상태, 유전자형 데이터를 입력으로 사용함.
• 특징 선택은 R의 'glmnet' 패키지를 사용하여 생존 모델에 포함할 가장 예측력 있는 공변량을 식별함.
• 모델 성능 평가에는 5년 후 C-통계치를 사용하였으며, 95% 신뢰구간은 200회 부트스트랩 재표본 추출을 통해 추정함.
• 시각화를 위해 'keras-vis' 패키지를 사용하여 중요도 맵을 생성하여 예측에 가장 기여한 망막 영역(예: 드루센, 색소 변화)을 확인함.
• 외부 검증은 AREDS에서 훈련하고 AREDS2에서 테스트하는 것과 반대로 수행하여 데이터셋 간의 모델 강건성 평가함.

실험 결과

연구 질문

• RQ1 종단적 안저 영상에서 훈련된 딥러닝 모델이 기존 임상 기준보다 개인의 늦은 AMD 진행 위험을 더 정확하게 예측할 수 있는가?
• RQ2 딥러닝 특징과 생존 분석을 통합하면 기존의 전통적 위험 점수 시스템보다 예후 정확도가 향상되는가?
• RQ3 AREDS2와 같은 독립적 코hort에서 검증했을 때, 딥러닝 모델의 일반화 능력은 어떠한가?
• RQ4 모델에 따르면 어떤 망막 특징(예: 드루센, 색소 이상)이 늦은 AMD 진행에 가장 예측력이 높은가?
• RQ5 한 데이터셋에서 훈련하고 다른 데이터셋에서 테스트했을 때 모델이 높은 성능을 유지할 수 있는가? 이는 임상 기관 간 강건성을 보여주는가?

주요 결과

• 딥러닝 모델은 5년 C-통계치가 86.4(95% 신뢰구간: 86.2–86.6)를 기록하여, Simplified Severity Scale(SSI)의 C-통계치 81.3(95% 신뢰구간: 81.1–81.5)보다 유의미하게 뛰어남.
• 온라인 위험 계산기의 C-통계치가 82.0(95% 신뢰구간: 81.8–82.3)이었음을 감안할 때, 모델은 더 높은 예측 정확도를 보임.
• 외부 검증 과정에서 AREDS에서 훈련하고 AREDS2에서 테스트했을 때, 기존 기준보다 상당히 높은 예후 정확도를 유지함.
• 82개 미국의 망막 전문 클리닉에서 수집된 데이터로 훈련되어 다양한 임상 환경을 반영함에 따라 모델의 높은 일반화 능력을 확보함.
• 시각화 맵은 모델이 임상적으로 관련성이 높은 특징, 즉 드루센과 색소 이상에 주로 집중하고 있음을 보여주어 해석 가능성 향상.
• 브리어 점수는 예측 확률의 캘리브레이션 향상을 확인하여, 예측된 위험과 실제 결과 간의 일치도 향상됨.