[论文解读] Domain-specific loss design for unsupervised physical training: A new approach to modeling medical ML solutions

Hendrik Burwinkel, H. Matz+7 more|arXiv (Cornell University)|May 9, 2020

Machine Learning in Healthcare参考文献 30被引用 2

一句话总结

本文提出 OpticNet，一种用于人工晶体（IOL）功率预测的新型深度学习框架，通过将领域特定的、可微分的光线追踪模型整合到物理信息损失函数中，实现了创新。通过在精确的物理眼模型上进行无监督预训练，并随后在真实患者数据上微调，OpticNet 在两个生物测量数据集上实现了 IOL 计算的最先进性能，显著优于现有公式和标准神经网络。

ABSTRACT

Today, cataract surgery is the most frequently performed ophthalmic surgery in the world. The cataract, a developing opacity of the human eye lens, constitutes the world's most frequent cause for blindness. During surgery, the lens is removed and replaced by an artificial intraocular lens (IOL). To prevent patients from needing strong visual aids after surgery, a precise prediction of the optical properties of the inserted IOL is crucial. There has been lots of activity towards developing methods to predict these properties from biometric eye data obtained by OCT devices, recently also by employing machine learning. They consider either only biometric data or physical models, but rarely both, and often neglect the IOL geometry. In this work, we propose OpticNet, a novel optical refraction network, loss function, and training scheme which is unsupervised, domain-specific, and physically motivated. We derive a precise light propagation eye model using single-ray raytracing and formulate a differentiable loss function that back-propagates physical gradients into the network. Further, we propose a new transfer learning procedure, which allows unsupervised training on the physical model and fine-tuning of the network on a cohort of real IOL patient cases. We show that our network is not only superior to systems trained with standard procedures but also that our method outperforms the current state of the art in IOL calculation when compared on two biometric data sets.

研究动机与目标

• 提高白内障手术中人工晶体（IOL）功率预测的准确性。
• 通过整合两种方法，解决纯数据驱动或纯物理方法在 IOL 计算中的局限性。
• 克服现有机器学习解决方案中物理一致性不足和人工晶体几何建模不精确的问题。
• 开发一种方法，通过在物理模型上进行无监督预训练，利用有限的标注医学数据。
• 实现从基于物理的模型到真实患者数据的迁移学习，提升泛化能力并减少过拟合。

提出的方法

• 提出一种针对人眼的领域特定、可微分的单光线光线追踪模型，可完整考虑人工晶体的几何结构和光学特性。
• 设计一种基于光传播物理的新型可微分损失函数，使物理梯度能够反向传播至神经网络。
• 在模拟的物理眼模型上进行无监督预训练，将物理约束嵌入网络权重。
• 引入一种迁移学习流程：在真实生物测量患者数据上微调预训练网络，以适应临床变异。
• 采用残差 U-Net 架构处理生物测量眼数据并预测 IOL 功率。
• 使用五折交叉验证验证性能，并与标准 IOL 公式和基线神经网络进行比较。

实验结果

研究问题

• RQ1 与标准监督训练相比，可微分的基于物理的损失函数是否能提高 IOL 功率预测的准确性？
• RQ2 在低数据量医学机器学习中，在物理眼模型上进行无监督预训练是否能增强泛化能力并减少过拟合？
• RQ3 从物理模型到真实患者数据的迁移学习是否能显著优于现有的 IOL 计算公式？
• RQ4 整合完整的人工晶体几何结构和精确的光传播是否能提升预测性能？
• RQ5 该方法在不同生物测量数据分布（包括合并数据集）下是否具有鲁棒性？

主要发现

• OpticNet 在第一个数据集上的屈光误差平均绝对误差（MAE）为 0.206 D，在第二个数据集上为 0.264 D，显著优于所有参考 IOL 公式和基线神经网络。
• 该方法将 IOL 预测的均方根误差（RMSE）降低至第一个数据集 0.402 D 和第二个数据集 0.551 D，甚至超过 Barrett Universal II 公式。
• 未进行物理预训练的标准神经网络（Solo NN）严重过拟合，第一个数据集的 RMSE 为 0.759 D，第二个数据集为 0.916 D，表明泛化能力差。
• OpticNet 的性能在统计学上显著优于所有参考公式（大多数情况下 p < 0.001），仅在较小数据集上对 HofferQ 的 p 值略高（0.08）。
• 仅基于物理的光线追踪器（Raytracer）表现优于大多数公式，但仍逊于 OpticNet，证明了将物理建模与学习适应相结合的优势。
• 迁移学习方案使 OpticNet 能够在不同数据集间泛化，当合并两个数据集时表现最佳，MAE 达到 0.249 D。