[论文解读] Predicting Progression of Age-related Macular Degeneration from Fundus Images using Deep Learning

Boris Babenko, Siva Balasubramanian+6 more|arXiv (Cornell University)|Apr 10, 2019

Retinal Imaging and Analysis参考文献 20被引用 10

一句话总结

本研究开发并验证了一种深度学习算法，能够基于彩色眼底照相预测无、早期或中间期年龄相关性黄斑变性（iAMD）患者1年内进展为新生血管性年龄相关性黄斑变性（nvAMD）的风险。该模型在性能上优于人工分级量表，在80%特异性下达到78%的敏感性，显著优于9级量表（67%）和4分类量表（48%）。

ABSTRACT

Background: Patients with neovascular age-related macular degeneration (AMD) can avoid vision loss via certain therapy. However, methods to predict the progression to neovascular age-related macular degeneration (nvAMD) are lacking. Purpose: To develop and validate a deep learning (DL) algorithm to predict 1-year progression of eyes with no, early, or intermediate AMD to nvAMD, using color fundus photographs (CFP). Design: Development and validation of a DL algorithm. Methods: We trained a DL algorithm to predict 1-year progression to nvAMD, and used 10-fold cross-validation to evaluate this approach on two groups of eyes in the Age-Related Eye Disease Study (AREDS): none/early/intermediate AMD, and intermediate AMD (iAMD) only. We compared the DL algorithm to the manually graded 4-category and 9-step scales in the AREDS dataset. Main outcome measures: Performance of the DL algorithm was evaluated using the sensitivity at 80% specificity for progression to nvAMD. Results: The DL algorithm's sensitivity for predicting progression to nvAMD from none/early/iAMD (78+/-6%) was higher than manual grades from the 9-step scale (67+/-8%) or the 4-category scale (48+/-3%). For predicting progression specifically from iAMD, the DL algorithm's sensitivity (57+/-6%) was also higher compared to the 9-step grades (36+/-8%) and the 4-category grades (20+/-0%). Conclusions: Our DL algorithm performed better in predicting progression to nvAMD than manual grades. Future investigations are required to test the application of this DL algorithm in a real-world clinical setting.

研究动机与目标

• 为解决缺乏可靠方法预测新生血管性AMD（nvAMD）进展的问题，而nvAMD是导致视力丧失的主要原因。
• 开发一种深度学习算法，能够利用彩色眼底照片检测从非新生血管性AMD向新生血管性AMD进展的早期迹象。
• 在年龄相关性眼病研究（AREDS）数据集中，将该算法的性能与既有的人工分级量表（4分类和9级）进行验证。
• 评估深度学习在改善AMD早期检测与干预方面的潜力，从而预防视力丧失。

提出的方法

• 在AREDS数据集的彩色眼底照片上训练一个深度卷积神经网络（CNN），以分类1年内进展为nvAMD的可能性。
• 采用10折交叉验证评估模型在两组人群中的性能：无、早期或中间期AMD的眼部，以及仅包含中间期AMD的子集。
• 将深度学习模型的预测结果与两种标准人工分级系统（4分类量表和9级量表）进行比较。
• 优化模型以在80%特异性下实现最高敏感性，这一权衡具有临床相关性，适用于早期检测。
• 采用迁移学习，使用预训练的ImageNet权重以提升泛化能力并提高训练效率。
• 采用二元分类头预测1年内进展为nvAMD，输出概率用于风险分层。

实验结果

研究问题

• RQ1 深度学习模型能否在基于彩色眼底照片预测1年内nvAMD进展方面优于人工分级量表？
• RQ2 与AREDS 9级和4分类量表相比，该深度学习模型在敏感性和特异性方面的表现如何？
• RQ3 当仅限于仅具有中间期AMD的眼部时，该模型是否仍保持优越性能，这一群体属于高风险亚组？
• RQ4 深度学习能否检测到人类阅片者难以可靠捕捉的、细微的早期进展迹象？

主要发现

• 对于无、早期或中间期AMD的眼部，该深度学习模型在80%特异性下达到78%的敏感性，显著优于9级量表（67%）和4分类量表（48%）。
• 对于仅具有中间期AMD的眼部，该模型在80%特异性下达到57%的敏感性，超过9级量表（36%）和4分类量表（20%）。
• 该模型在两组人群中均表现出一致的优越性能，表明其在高风险人群中的稳健性。
• 结果表明，深度学习能够检测到人工分级难以捕捉的细微但具有临床意义的进展模式。
• 模型与人工量表之间的性能差距凸显了人工智能在提升早期检测和临床决策支持方面的潜力。
• 本研究提供了证据，表明深度学习可作为AMD风险分层中可靠且可扩展的工具，支持及时治疗干预。