[論文レビュー] From Machine to Machine: An OCT-trained Deep Learning Algorithm for Objective Quantification of Glaucomatous Damage in Fundus Photographs

Felipe A. Medeiros, Alessandro A. Jammal+1 more|arXiv (Cornell University)|Oct 20, 2018

Retinal Imaging and Analysis参考文献 20被引用数 25

ひとこと要約

本研究では、スペクトルドメインOCT（SDOCT）データで訓練された深層学習アルゴリズムを紹介し、網膜神経線維層（RNFL）厚さの客観的評価を、眼底写真から行われる緑内障の損傷に適用した。予測値と実際のRNFL厚さの間に強い相関（r = 0.832）が得られ、平均絶対誤差は7.39 µmであった。これは、主観的グレーディングに依存しない低コストで定量的な緑内障スクリーニングの可能性を示している。

ABSTRACT

Previous approaches using deep learning algorithms to classify glaucomatous damage on fundus photographs have been limited by the requirement for human labeling of a reference training set. We propose a new approach using spectral-domain optical coherence tomography (SDOCT) data to train a deep learning algorithm to quantify glaucomatous structural damage on optic disc photographs. The dataset included 32,820 pairs of optic disc photos and SDOCT retinal nerve fiber layer (RNFL) scans from 2,312 eyes of 1,198 subjects. A deep learning convolutional neural network was trained to assess optic disc photographs and predict SDOCT average RNFL thickness. The performance of the algorithm was evaluated in an independent test sample. The mean prediction of average RNFL thickness from all 6,292 optic disc photos in the test set was 83.3$\pm$14.5 $μ$m, whereas the mean average RNFL thickness from all corresponding SDOCT scans was 82.5$\pm$16.8 $μ$m (P = 0.164). There was a very strong correlation between predicted and observed RNFL thickness values (r = 0.832; P<0.001), with mean absolute error of the predictions of 7.39 $μ$m. The areas under the receiver operating characteristic curves for discriminating glaucoma from healthy eyes with the deep learning predictions and actual SDOCT measurements were 0.944 (95$\%$ CI: 0.912- 0.966) and 0.940 (95$\%$ CI: 0.902 - 0.966), respectively (P = 0.724). In conclusion, we introduced a novel deep learning approach to assess optic disc photographs and provide quantitative information about the amount of neural damage. This approach could potentially be used to diagnose and stage glaucomatous damage from optic disc photographs.

研究の動機と目的

• SDOCTを基準基準として用い、眼底写真から緑内障性構造的損傷を定量化する深層学習アルゴリズムの開発を目的とする。
• 従来の深層学習モデルが訓練に主観的ヒトグレーディングに依存するという限界を克服することを目的とする。
• 二値分類ではなく、連続的かつ客観的な神経損傷の定量評価を可能とすることを目的とする。
• 眼底写真を、SDOCTに代わる低コストな代替手段として、緑内障スクリーニングおよびモニタリングに用いる可能性を検証することを目的とする。
• 独立したテストセットにおいて、実際のSDOCT測定値と比較してアルゴリズムの性能を検証することを目的とする。

提案手法

• 畳み込みニューラルネットワーク（CNN）を、SDOCT測定値を基準として、眼底写真から平均網膜神経線維層（RNFL）厚さを予測するように訓練した。
• 訓練データセットには、1,198名の2,312眼から得られた、32,820組の眼底写真と対応するSDOCTスキャン画像が含まれていた。
• アルゴリズムは、6,292枚の独立した眼底写真テストセットで評価され、予測値は実際のSDOCT RNFL厚さ値と比較された。
• 性能評価には、ピアソン相関係数（r）、平均絶対誤差（MAE）、および緑内障検出の受信器操作特性曲線下積（AUC）が用いられた。
• 予測に最も寄与する眼底領域を可視化するため、活性化ヒートマップを生成した。
• アルゴリズムは、局所的または領域別の測定ではなく、平均RNFL厚さの再現に焦点を当てており、全体的な構造的損傷を対象としていた。

実験結果

リサーチクエスチョン

• RQ1 SDOCTデータで訓練された深層学習モデルは、眼底写真からRNFL厚さを正確に予測できるか？
• RQ2 OCTで訓練された深層学習モデルの性能は、ヒトグレーディングに基づくモデルと比較してどうか？
• RQ3 眼底写真は、SDOCTが示す定量的精度をどの程度再現できるか？
• RQ4 このアルゴリズムの予測値は、実際のSDOCT測定値および視野障害と強く相関するか？
• RQ5 この手法により、眼底写真のみを用いて、緑内障の進行を縦断的にモニタリングできるか？

主な発見

• 眼底写真からの平均予測RNFL厚さは83.3 ± 14.5 µmであり、実際のSDOCT平均値（82.5 ± 16.8 µm）と有意差なく近い（p = 0.164）。
• 予測値と実測値の間には非常に強い相関（r = 0.832；p < 0.001）が確認された。
• 予測の平均絶対誤差（MAE）は7.39 µmであり、定量的推定の高い精度を示している。
• 深層学習予測を用いた緑内障検出のAUCは0.944（95%信頼区間：0.912–0.966）であり、SDOCTのAUC（0.940）と同等の性能を示した。
• 活性化ヒートマップにより、アルゴリズムが視神経乳頭および周辺網膜神経線維層に注目していることが確認され、臨床的に関連する解剖的領域と整合した。
• 強力な性能を示したが、SDOCT測定値の約30%の分散は説明されず、画像品質の向上や、より細分化されたトレーニングターゲットの導入によりさらなる改善の余地があると考えられた。