[논문 리뷰] A Deep-learning Approach for Prognosis of Age-Related Macular Degeneration Disease using SD-OCT Imaging Biomarkers

Imon Banerjee, Luís de Sisternes외 5명|arXiv (Cornell University)|2019. 02. 27.

Retinal Imaging and Analysis참고 문헌 21인용 수 5

한 줄 요약

이 연구는 비출혈성 노인성 화저모양망막병변(AMD) 환자에서 단기(3개월) 및 장기(21개월) 간격 동안 진행 위험을 예측하기 위해 방사학적 특징과 순차적 SD-OCT 영상 분석을 통합한 하이브리드 RNN 기반 딥러닝 모델을 제안한다. 이 모델은 0.96 AUC-ROC를 기록하여 기존의 랜덤 포레스트보다 뛰어난 정확도를 보이며, 조기에 고위험 환자를 식별하여 적절한 임상 간섭을 가능하게 한다.

ABSTRACT

We propose a hybrid sequential deep learning model to predict the risk of AMD progression in non-exudative AMD eyes at multiple timepoints, starting from short-term progression (3-months) up to long-term progression (21-months). Proposed model combines radiomics and deep learning to handle challenges related to imperfect ratio of OCT scan dimension and training cohort size. We considered a retrospective clinical trial dataset that includes 671 fellow eyes with 13,954 dry AMD observations for training and validating the machine learning models on a 10-fold cross validation setting. The proposed RNN model achieved high accuracy (0.96 AUCROC) for the prediction of both short term and long-term AMD progression, and outperformed the traditional random forest model trained. High accuracy achieved by the RNN establishes the ability to identify AMD patients at risk of progressing to advanced AMD at an early stage which could have a high clinical impact as it allows for optimal clinical follow-up, with more frequent screening and potential earlier treatment for those patients at high risk.

연구 동기 및 목표

• 종단적 SD-OCT 영상 데이터를 활용하여 AMD 진행을 예측하는 모델을 개발하기 위해.
• 하이브리드 딥러닝 접근법을 통해 OCT 스캔의 차원성 문제와 제한된 학습 코hort 크기의 과제를 해결하기 위해.
• 고위험 환자 중 진행이 빠를 가능성이 있는 환자를 조기에 발견함으로써 임상적 개선을 위해.
• 기존의 기계학습 방법(예: 랜덤 포레스트)과 비교하여 제안된 모델의 성능을 평가하기 위해.
• 정확한 장기 예후를 통해 개인화된 임상적 추적 및 조기에 치료를 가능하게 하기 위해.

제안 방법

• 하이브리드 순차적 딥러닝 모델은 SD-OCT 스캔에서 추출한 방사학적 특징과 순환 신경망(RNN) 아키텍처를 통합한다.
• 이 모델은 시간 순서대로 배열된 OCT 영상 처리를 통해 장기적인 질환 진행 패턴을 포착한다.
• 후향적 데이터셋(671명의 동반 눈, 13,954건의 건성 AMD 관측치)을 대상으로 10겹 교차검증 전략을 사용하여 모델을 학습하고 검증한다.
• 각 OCT 스캔에서 방사학적 특징을 추출하여 질환 진행의 구조적 생물학적 지표를 표현한다.
• RNN은 순차적 영상 데이터를 기반으로 3개월, 12개월, 21개월 시점에서 AMD 진행을 예측하도록 훈련된다.
• 성능 평가를 위해 동일한 데이터셋과 평가 프로토콜을 사용한 기존의 랜덤 포레스트 분류기와 비교한다.

실험 결과

연구 질문

• RQ1 SD-OCT 영상 생물학적 지표를 사용하여 딥러닝 모델이 비출혈성 AMD의 단기 및 장기 진행을 효과적으로 예측할 수 있는가?
• RQ2 제안된 RNN 모델의 성능는 기존의 기계학습 모델(예: 랜덤 포레스트)과 비교하여 AMD 예후에서 어떻게 다른가?
• RQ3 SD-OCT 스캔에서 추출한 방사학적 특징이 종단적 AMD 진행 예측 정확도를 얼마나 향상시킬 수 있는가?
• RQ4 이 모델은 임상적 추적 전략에 영향을 줄 수 있도록 충분히 이른 시점에 고위험 환자를 식별할 수 있는가?
• RQ5 단일 시점 분석과 비교하여 순차적 영상 데이터 통합이 예측 정확도를 향상시키는가?

주요 결과

• 제안된 RNN 모델은 단기(3개월) 및 장기(21개월) AMD 진행 예측에 대해 수신기 작동 특성 곡선 아래 면적(AUC-ROC)이 0.96로 나타났다.
• 이 모델은 모든 시점에서 기존의 랜덤 포레스트 분류기보다 유의미하게 뛰어난 성능을 보였다.
• 높은 AUC-ROC는 고위험 환자 중 고급 AMD로 진행될 가능성이 있는 환자를 식별하는 데 강력한 분류 능력을 나타낸다.
• OCT 스캔의 차원성 문제와 제한된 학습 코hort 크기의 과제에도 불구하고 모델은 탄탄한 성능을 보였다.
• 결과적으로, 순차적 SD-OCT 데이터 기반의 딥러닝을 통해 고위험 환자 조기 식별이 가능하다는 것이 제안된다.
• 모델이 다중 시점에서 진행을 예측할 수 있다는 점은 추적 주기를 최적화하기 위한 임상적 활용 가능성을 뒷받침한다.