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

Imon Banerjee, Luís de Sisternes+5 more|arXiv (Cornell University)|Feb 27, 2019

Retinal Imaging and Analysis参考文献 21被引用 5

一句话总结

本研究提出了一种基于RNN的混合深度学习模型，通过整合放射组学特征与SD-OCT图像的序列分析，预测非渗出性年龄相关性黄斑变性（AMD）患者在短期（3个月）和长期（21个月）时间间隔内的疾病进展风险。该模型在受试者工作特征曲线下面积（AUC-ROC）达到0.96，优于传统随机森林模型，展现出在早期识别进展为晚期AMD高风险患者方面的高准确性，有助于及时开展临床干预。

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.

研究动机与目标

• 利用纵向SD-OCT影像数据开发AMD进展的预测模型。
• 通过混合深度学习方法解决OCT扫描维度高和训练队列规模有限的挑战。
• 提高对高风险进展为晚期AMD患者的早期检测能力。
• 将所提出的模型性能与传统机器学习方法（如随机森林）进行对比评估。
• 通过准确的长期预后预测，实现个性化临床随访和更早治疗。

提出的方法

• 一种混合序列深度学习模型，结合从SD-OCT扫描中提取的放射组学特征与循环神经网络（RNN）架构。
• 该模型处理OCT图像的时间序列，以捕捉疾病进展的纵向模式。
• 采用10折交叉验证策略，在包含671只对照眼和13,954例干性AMD观察数据的回顾性数据集上进行模型训练与验证。
• 从每张OCT扫描中提取放射组学特征，以表征疾病进展的结构生物标志物。
• RNN基于序列影像数据，训练以预测在3、12和21个月时间点的AMD进展。
• 性能通过与使用相同数据集和评估协议的传统随机森林分类器进行基准对比。

实验结果

研究问题

• RQ1 基于SD-OCT影像生物标志物，深度学习模型能否有效预测非渗出性AMD的短期和长期进展？
• RQ2 所提出的RNN模型在AMD预后中的表现与传统机器学习模型（如随机森林）相比如何？
• RQ3 SD-OCT扫描中的放射组学特征在多大程度上可提高纵向AMD进展预测的准确性？
• RQ4 该模型能否足够早地识别出高风险患者，以影响临床随访策略？
• RQ5 与单时间点分析相比，整合序列影像数据是否能提升预测准确性？

主要发现

• 所提出的RNN模型在预测短期（3个月）和长期（21个月）AMD进展时，曲线下面积（AUC-ROC）达到0.96。
• 该模型在所有时间点的AMD进展预测中，显著优于传统随机森林分类器。
• 高AUC-ROC值表明模型具有强大的判别能力，可有效识别出进展为晚期AMD的高风险患者。
• 尽管面临OCT扫描维度高和训练队列规模有限的挑战，该模型仍表现出稳健性能。
• 结果表明，利用序列SD-OCT数据进行深度学习，可实现对高风险患者的早期识别。
• 该模型在多个时间点均具备预测进展的能力，支持其在临床中用于优化随访计划的潜力。