Модель глубокого обучения, включающая пространственную и временную информацию, успешно обнаруживает ухудшение поля зрения, используя подход, основанный на консенсусе.

Jun 28, 2023

Научные отчеты, том 13, Номер статьи: 1041 (2023) Цитировать эту статью

688 Доступов

11 Альтметрика

Подробности о метриках

Глаукома является основной причиной необратимой слепоты, и ее ухудшение чаще всего отслеживают с помощью тестирования поля зрения (ФЖ). Модели глубокого обучения (DLM) могут помочь последовательно и воспроизводимо выявлять ухудшение ФЖ. В этом исследовании мы разработали и исследовали эффективность DLM на большой популяции пациентов с глаукомой. Мы включили 5099 пациентов (8705 глаз), наблюдавшихся в одном институте с июня 1990 г. по июнь 2020 г., которым было проведено тестирование ФЖ, а также клиническая оценка ухудшения ФЖ. Поскольку не существует золотого стандарта для выявления ухудшения ФЖ, мы использовали консенсус шести широко используемых алгоритмических методов, которые включают глобальные регрессии, а также точечные изменения ФЖ. Мы использовали консенсусное решение в качестве эталонного стандарта для обучения/тестирования DLM и оценки эффективности работы клиницистов. 80%, 10% и 10% пациентов были включены в наборы обучения, валидации и тестирования соответственно. Из 873 глаз в тестовой выборке 309 (60,6%) принадлежали женщинам, а средний возраст составил 62,4 года; (IQR 54,8–68,9). DLM достиг AUC 0,94 (95% ДИ 0,93–0,99). Даже после удаления 6 последних VF, предоставляя меньшее количество точек данных для модели, DLM успешно выявил ухудшение с AUC 0,78 (95% ДИ 0,72–0,84). По клинической оценке ухудшения (на основе документации из медицинской карты на момент окончательной ФЖ в каждом глазу) AUC составляла 0,64 (95% ДИ 0,63–0,66). И DLM, и врач работали хуже, когда первоначальное заболевание было более тяжелым. Эти данные показывают, что DLM, обученный согласованным методам определения ухудшения, успешно выявляет ухудшение ФЖ и может помочь клиницистам во время обычного клинического лечения.

Глаукома является основной причиной необратимой слепоты во всем мире, и раннее выявление ухудшения имеет решающее значение для профилактики1,2. Тестирование поля зрения (ФЖ) является одной из наиболее важных стратегий мониторинга ухудшения заболевания3. Выявить ухудшение ФЖ сложно из-за наличия колебаний показателей, изменчивости и отсутствия золотого стандарта4,5,6,7. Один из подходов к решению этой проблемы включает более частое тестирование, хотя это может представлять собой значительное бремя для пациентов, но для выявления прогрессирования по-прежнему требуется несколько лет8,9,10,11,12.

Для определения прогрессирования ФЖ были разработаны различные объективные методы; их можно разделить на методы, основанные на событиях и тенденциях. Методы, основанные на событиях, определяют прогрессирование путем оценки ФЖ по различным правилам, основанным на плотности и глубине дефекта по сравнению с исходной ФЖ, и использовались в крупных клинических исследованиях, таких как EMGT, CIGTS и AGIS13,14,15. Направленный анализ прогрессирования (GPA), который аналогичен критериям EMGT, обычно используется в клинической практике, и предыдущие исследования показали, что он выявляет прогрессирование раньше, но с меньшей специфичностью16,17. Методы, основанные на трендах, используют линейную регрессию, которую можно применять к глобальным параметрам VF или точечным данным. Предыдущая работа показала, что методы, основанные на событиях, могут выявить прогресс раньше, чем методы, основанные на тенденциях18,19. Два исследования сравнили все эти методы на большом наборе продольных ФЖ и показали слабую согласованность, что указывает на необходимость достижения консенсуса среди различных алгоритмов для выявления прогрессирования20,21.

Использование искусственного интеллекта представляет собой один из потенциальных подходов к более раннему и последовательному выявлению ухудшения состояния22,23,24,25,26. Его даже использовали для прогнозирования будущей ФЖ или выявления пациентов с самым высоким риском ухудшения27,28. Традиционные подходы к машинному обучению используют заранее заданное преобразование подкомпонентов данных, в то время как подходы к глубокому обучению позволяют обучать модели с помощью необработанных данных29. Глубокое обучение имеет множество подходов, которые могут быть полезны в зависимости от структуры данных. В недавней статье особый вид модели глубокого обучения (DLM) — сверточная модель долговременной кратковременной памяти (LSTM) — показал успех в выявлении ухудшения ФЖ30. Эта модель уникальна тем, что позволяет извлекать пространственно-временные характеристики, которые имеют решающее значение для оценки ФЖ.