Прогнозирование поля зрения с использованием глубокой двунаправленной модели сети с вентилируемыми рекуррентными единицами

Aug 08, 2023

Том 13 научных отчетов, номер статьи: 11154 (2023) Цитировать эту статью

320 Доступов

2 Альтметрика

Подробности о метриках

Хотя архитектура глубокого обучения использовалась для обработки последовательных данных, лишь несколько исследований изучали полезность алгоритмов глубокого обучения для обнаружения прогрессирования глаукомы. Здесь мы предложили алгоритм двунаправленной вентилируемой рекуррентной единицы (Bi-GRU) для прогнозирования потери поля зрения. Всего в обучающую выборку было включено 5413 глаз от 3321 пациента, а в тестовую выборку — 1272 глаза от 1272 пациентов. В качестве входных данных использовались данные пяти последовательных исследований поля зрения; шестое исследование поля зрения сравнивалось с прогнозами Би-ГРУ. Производительность Bi-GRU сравнивалась с производительностью традиционных алгоритмов линейной регрессии (LR) и длинной краткосрочной памяти (LSTM). Общая ошибка прогнозирования была значительно ниже для алгоритмов Bi-GRU, чем для алгоритмов LR и LSTM. При точечном прогнозировании Bi-GRU показал наименьшую ошибку прогноза среди трех моделей в большинстве тестовых локаций. При этом модель Bi-GRU оказалась наименее затронутой моделью с точки зрения ухудшения показателей надежности и тяжести глаукомы. Точное прогнозирование потери полей зрения с помощью алгоритма Bi-GRU может облегчить принятие решений относительно лечения пациентов с глаукомой.

Глаукома, ведущая причина слепоты во всем мире, характеризуется необратимой потерей ганглиозных клеток сетчатки1,2. Структурные изменения в ганглиозных клетках сетчатки и диске зрительного нерва вызывают прогрессирующее ухудшение поля зрения2. Прогнозирование будущего поля зрения имеет важное значение для сохранения зрительных функций. Однако результаты теста поля зрения подвержены случайным ошибкам и колебаниям, особенно у пациентов с глаукомой, что затрудняет точное прогнозирование изменений поля зрения3.

За последние несколько лет алгоритмы машинного обучения продемонстрировали хорошие результаты в прогнозировании прогрессирования глаукомы. Ван и др.4 классифицировали и определили прогрессирование 16 архетипов дефектов поля зрения. Мурата и др.5 обнаружили превосходную прогнозирующую способность вариационной линейной регрессии Байеса, типа алгоритма машинного обучения, по сравнению с точечной линейной регрессией (LR). Благодаря недавнему развитию искусственного интеллекта алгоритмы глубокого обучения стали использоваться для различных задач с превосходной производительностью. Однако лишь несколько исследований предсказали прогрессирование дефектов поля зрения с помощью алгоритмов глубокого обучения. Вэнь и др.6 использовали сверточную нейронную сеть для прогнозирования будущих полей зрения, используя в качестве входных данных одно исследование поля зрения. Берчук и др.7 использовали вариационную модель автоэнкодера для оценки скорости прогрессирования поля зрения.

Рекуррентная нейронная сеть (RNN), искусственная сеть с рекуррентными связями, использовалась для последовательных временных рядов с временной зависимостью и для моделирования последовательностей8. Он может обрабатывать текущие данные, используя предыдущие данные для прогнозирования на основе зависимостей между последовательными элементами9,10. Два основных варианта RNN, длинная краткосрочная память (LSTM)11 и вентилируемая рекуррентная единица (GRU)12, моделируют долговременную зависимость в виде длинных последовательностей. В предыдущем исследовании мы обнаружили, что LSTM обладает превосходными способностями прогнозировать будущие поля зрения по сравнению с обычным методом наименьших квадратов LR13. Диксит и др.14 обнаружили, что сети LSTM могут предсказывать продольные локальные и глобальные тенденции в полях зрения.

ГРУ использует ворота более эффективно и с одинаковой скоростью по сравнению с типичными LSTM15,16,17. Несколько исследований показали, что GRU обладает превосходными характеристиками для последовательного анализа данных по сравнению с другими типами RNN12,15,18,19. Недавно был разработан двунаправленный метод RNN посредством одновременного обучения с положительными и отрицательными временными направлениями, что обеспечивает лучшее понимание контекста20. Линн и др.15 сравнили несколько моделей идентификации человека на основе RNN с использованием биометрических данных на основе электрокардиограммы из последовательных данных временных рядов. Двунаправленная сеть с моделями LSTM и GRU была более эффективной, чем обычные модели RNN, а модель рекуррентного устройства с двунаправленным вентилем (Bi-GRU) продемонстрировала производительность, превосходящую двунаправленную модель LSTM. Поскольку исследования полей зрения предоставляют последовательные данные с обширными взаимосвязями, Bi-GRU может лучше прогнозировать прогрессирование поля зрения по сравнению с предыдущей моделью RNN на основе LSTM.