[论文解读] 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 25

一句话总结

本研究提出一种基于光谱域OCT（SDOCT）数据训练的深度学习算法，可从眼底照相中客观量化青光眼性损伤，预测值与实际RNFL厚度之间具有很强的相关性（r = 0.832），平均绝对误差为7.39 µm，表明该方法在无需依赖主观评分的情况下，具备低成本、定量青光眼筛查的潜力。

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.

研究动机与目标

• 开发一种深度学习算法，利用SDOCT作为参考标准，从视盘照片中量化青光眼性结构损伤。
• 克服以往深度学习模型依赖主观人工评分进行训练的局限性。
• 实现对神经损伤的客观、连续量化，而非二元分类。
• 评估使用眼底照片作为SDOCT的低成本替代方案在青光眼筛查和监测中的可行性。
• 在独立测试集中，通过与实际SDOCT测量值对比，验证算法性能。

提出的方法

• 使用SDOCT测量值作为真实值，训练卷积神经网络（CNN）从视盘照片中预测平均视网膜神经纤维层（RNFL）厚度。
• 训练数据集包含来自1,198名受试者共2,312只眼的32,820对视盘照片与对应SDOCT扫描图像。
• 在独立测试集的6,292张视盘照片上评估该算法，将预测结果与实际SDOCT RNFL厚度值进行比较。
• 通过皮尔逊相关系数（Pearson r）、平均绝对误差（MAE）以及受试者工作特征曲线下面积（AUC）评估性能，用于青光眼检测。
• 生成激活热图以可视化对算法预测最具影响力的视盘区域。
• 模型训练目标为复现平均RNFL厚度，而非分段或区域测量，聚焦于整体结构损伤。

实验结果

研究问题

• RQ1 基于SDOCT数据训练的深度学习模型能否准确从眼底照片预测RNFL厚度？
• RQ2 与基于人工评分的模型相比，基于OCT训练的深度学习模型在分类青光眼性损伤方面的表现如何？
• RQ3 眼底照片在多大程度上能复现SDOCT在测量神经损伤方面的定量精度？
• RQ4 该算法的预测结果是否与实际SDOCT测量值及视野缺损具有强相关性？
• RQ5 该方法是否可仅通过眼底照片实现青光眼进展的纵向监测？

主要发现

• 眼底照片预测的平均RNFL厚度为83.3 ± 14.5 µm，与实际SDOCT测量的平均值82.5 ± 16.8 µm非常接近（p = 0.164）。
• 预测值与实际RNFL厚度之间存在极强相关性（r = 0.832；p < 0.001）。
• 预测的平均绝对误差（MAE）为7.39 µm，表明在定量估计方面具有高精度。
• 使用深度学习预测结果进行青光眼检测的受试者工作特征曲线下面积（AUC）为0.944（95%置信区间：0.912–0.966），与SDOCT的AUC（0.940）相当。
• 激活热图证实，该算法主要关注视盘及其邻近的视网膜神经纤维层，与临床上相关的解剖区域一致。
• 尽管性能表现优异，仍有约30%的SDOCT测量值方差未被解释，表明通过提升图像质量或采用更精细的训练目标，仍有改进空间。