Обобщаемая регрессионная модель глубокого обучения для автоматического скрининга глаукомы по изображениям глазного дна

Jun 07, 2023

npj Digital Medicine, том 6, Номер статьи: 112 (2023) Цитировать эту статью

2068 Доступов

5 Альтметрика

Подробности о метриках

В последние годы было предложено множество классификационных моделей для выявления глаукомы по изображениям глазного дна. Часто обучаясь на данных одной клиники по лечению глаукомы, они сообщают о впечатляющих результатах на внутренних наборах тестов, но имеют тенденцию испытывать трудности с обобщением на внешние наборы. Такое падение производительности можно объяснить изменениями в данных о распространенности глаукомы, камере глазного дна и определении основной истины о глаукоме. В этом исследовании мы подтверждаем, что ранее описанная регрессионная сеть для направления пациентов с глаукомой (G-RISK) дает отличные результаты в различных сложных условиях. Было использовано тринадцать различных источников данных меченых изображений глазного дна. Источники данных включают две большие когорты населения (Австралийское исследование глаз Голубых гор, BMES и Немецкое исследование здоровья Гутенберга, GHS) и 11 общедоступных наборов данных (AIROGS, ORIGA, REFUGE1, LAG, ODIR, REFUGE2, GAMMA, RIM-ONEr3, RIM- ОДИН ДЛ, АКРИМА, ПАПИЛА). Чтобы минимизировать сдвиги входных данных, была разработана стандартизированная стратегия обработки изображений для получения изображений с центром диска под углом 30° из исходных данных. Всего для тестирования модели было использовано 149 455 изображений. Площадь под кривой рабочей характеристики приемника (AUC) для групп населения BMES и GHS составляла 0,976 [95% ДИ: 0,967–0,986] и 0,984 [95% ДИ: 0,980–0,991] на уровне участников соответственно. При фиксированной специфичности 95% чувствительность составляла 87,3% и 90,3% соответственно, что превосходило минимальный критерий чувствительности в 85%, рекомендованный организацией Prevent Blindness America. Значения AUC в одиннадцати общедоступных наборах данных варьировались от 0,854 до 0,988. Эти результаты подтверждают превосходную обобщаемость модели регрессии риска глаукомы, обученной на однородных данных из одного специализированного центра. Необходима дальнейшая проверка с использованием проспективных когортных исследований.

Глаукома является основной причиной необратимого нарушения зрения, и ее число будет увеличиваться из-за старения населения мира1. Этот рост только усилит нынешний высокий уровень более 50% невыявленных случаев в развитых и развивающихся странах2,3,4,5.

Современные методы скрининга первичной открытоугольной глаукомы (ПОУГ) не являются экономически эффективными в популяционных условиях, поскольку они генерируют большое количество ложноположительных результатов с распространенностью заболевания на уровне 3,5% в группах населения в возрасте 40–80 лет6,7,8 . Это перегрузит систему здравоохранения, которая в настоящее время работает на пределе своих возможностей или превышает их. В настоящее время диагноз ставится оппортунистически при каждом осмотре пациента у офтальмолога. Этот сценарий не может улучшить текущие показатели заболеваемости недиагностированными пациентами и в то же время выявить тех, кто подвергается более высокому риску слепоты. Скрининговые решения в виде измерения внутриглазного давления (ВГД) не учитывают случаи глаукомы с нормальным давлением, что может представлять собой высокую долю ПОУГ7,9,10. Между тем, тестирование поля зрения является длительным и дает очень разные результаты11. Направление пациентов с глаукомой на основе анализа цифровых изображений глазного дна с помощью искусственного интеллекта (ИИ) было предложено в качестве потенциального решения, учитывая широкую доступность этого метода, низкую стоимость и неинвазивность12. Более того, сверточные нейронные сети (CNN) могут извлекать информацию о глаукоме из изображений глазного дна, что превосходит возможности большинства специалистов-людей, например, количественная оценка толщины слоя нервных волокон сетчатки (RNFL)13 или обнаружение глаукомы при удалении диска зрительного нерва из глазного дна. изображение14.

Сообщалось, что обнаружение глаукомы с помощью искусственного интеллекта показало высокую эффективность при внутренней проверке, но производительность ухудшилась в условиях внешнего тестирования и, более конкретно, в реальных условиях15,16,17. Эффективные модели искусственного интеллекта, обученные на маркированных изображениях глазного дна из одного медицинского центра, должны быть устойчивыми к изменениям в распределении при развертывании в новых условиях, в которых используются данные вне распределения (OoD)18. Это требование выходит за рамки классического предположения машинного обучения о том, что данные обучения и тестирования поступают из одного и того же распределения19. Такой сдвиг данных может возникнуть, когда модель обучалась на изображениях, снятых определенной фундус-камерой, и тестировалась на изображениях со второго устройства. Эта межцентровая неоднородность на изображениях глазного дна может быть связана с различными полями зрения (FOV), распределением цвета, освещением и областью интереса (центрированной диском или макулой). Различия в популяции, такие как этническая принадлежность, распространенность близорукости и распространенность глаукомы, являются другими распространенными причинами смещения данных, которые приводят к ухудшению производительности. Кроме того, существует большое разнообразие определений глаукомы, что усугубляет проблемы, связанные с данными OoD. Решения для противодействия сдвигу данных, такие как адаптация домена, были описаны в контексте анализа изображений сетчатки, что приводит к улучшению обобщения20,21. Однако эти подходы часто полагаются на наличие помеченных изображений из целевого набора во время разработки модели. Обычно такое не встречается в реальных приложениях, поскольку эти модели должны работать с перспективными данными из новых источников.