[No.246] ディープラーニングの自動診断と白内障の種類と重症度の定量的分類

深層学習モデルを開発・評価し、前セグメント写真から3種類の解剖型すべてを含む、年齢関連白内障の自動診断と定量分類を行う。

年齢関連眼疾患研究(AREDS)データセットへのディープラーニングモデルの応用

1,137人の目(576人のAREDS参加者)の縦方向のフォローアップから18,999枚の写真(6,333枚の三つ子)。

ディープラーニングモデルは、45度のスリットランプ写真と皮質(CLO;スケール0-100%)と後嚢(PSC;スケール0-100%)白内障(PSC;スケール0-100%)から核白内障(NS;スケール0.9-7.1)を検出し、定量化するように訓練されました。モデルの性能は、14人の眼科医と24人の医学生のそれと比較された。真実のラベルは、読書センターのグレーディングからでした。

平均二乗誤差(MSE)。

完全なテストセットでは、ディープラーニングモデルの平均MSE値は、NSの場合は0.23(SD 0.01)、CLOの場合は13.1(SD 1.6)、PSCの場合は16.6(SD 2.4)でした。検査セットのサブセット(CLOおよびPSCの陽性症例に対して実質的に濃縮)では、NSの平均MSEは0.23(SD 0.02)であり、眼科医の場合は0.98(SD 0.23;p=0.000001)、1.24(SD 0.33;p=0.000)の医学生は0.24(SD 0.33;p=0.0000)であった。CLOの平均MSE値は、それぞれ134.9(SD 89.9;p=0.003)および422.0(SD 944.4;p=0.0007)と比較して53.5(SD 14.8)であった。PSCの平均MSE値は176.8(SD 98.0;p=0.67)と395.2(SD 632.5;p=0.18)と比較して171.9(SD 38.9)であった。シンガポール・マレー眼科調査(AREDSにおける白内障重症度の分布を反映するためにサンプリングされた)の外部検証では、MSEはNSで1.27、PSCで25.5であった。

ディープラーニングフレームワークは、3種類の全ての種類の白内障に対して白内障の重症度を自動定量的に分類することができました。2つの最も一般的なタイプ(NSとCLO)では、精度は眼科医の精度よりも有意に優れていた。最も一般的なタイプ(PSC)では、精度は似ています。フレームワークは、臨床および研究分野の両方で広く潜在的な用途を有することができる。将来的には、このようなアプローチは、世界的に白内障評価のアクセシビリティを高める可能性があります。コードとモデルは、https://XXXで一般公開されています。