[No.747] レビュー記事：人工知能と神経眼科の出会いの紹介

清澤のコメント：Asia-Pacific Journal of Ophthalmologyというのは聞いたことのない医学雑誌だが、ここに人工知能と神経眼科の関連を記載した論文が掲載された。抄録だけでは何もわからぬので内容を抄出してみる。

　　―――――

人工知能と神経眼科の出会い

Leong、Yuan-Yuh 他：Asia-Pacific Journal of Ophthalmology： 2022年3月-4月-第11巻-第2号-p 111-125

土井：10.1097 / APO.0000000000000512

概要

人工知能の最近の進歩により、眼科医は眼の状態を診断および治療するための高速で正確な自動化された手段を提供し、最新のスケーラブルな眼科医療システムへの道を開いています。他の眼科分野と比較して、神経眼科は、最近まで、人工知能の分野における重要な進歩の恩恵を受けていませんでした。この物語のレビューでは、構造的および機能的な視神経乳頭の異常、および神経眼科における眼球運動障害の検出に人工知能を利用した最近の進歩を要約して説明します。

　　――――――

人工知能（AI）は、特定の目標を達成する前に、データを受け取り、解釈し、データから学習することで構成される、人間のような行動の技術システムを可能にします。AIの他の方法の中でも、機械学習（ML）と深層学習（DL）の複雑さについては、他の場所で説明されています。^1–3簡単に言うと、MLは、アルゴリズムを使用して抽出された特徴のデータセットを並べ替えて「学習」し、同じまたは異なるデータセット（検証または外部テストデータセット）に適用できる学習ベースの予測を作成する高度な統計手法です。 。MLのサブセットであるDLは、ニューラルネットワークと呼ばれる相互接続されたアルゴリズムのネットワークで構成されており、人間の脳の神経ネットワークにほぼ似ています。このようなネットワークでは、アルゴリズムの複数のレイヤーを通過する大規模なデータセット（ラベル付けの有無にかかわらず）からの洗練された「学習」により、機能を自動的に認識し、データ内のオブジェクトを分類できます。

コンピューティング能力の進歩により、AIは、大規模なデータセットを一貫性のある高速な方法で処理する機能を誇り、医師がより正確な診断をより短時間で行えるように支援します。このような技術は、現在、皮膚科や放射線科を含む多くの専門分野で使用されています。眼科の分野は、AIの力を活用するのに適した位置にあります。AIは、眼底写真、光コヒーレンストモグラフィー（OCT）、自動ペリメトリーなどのさまざまな臨床調査モダリティからのデータを定期的に蓄積することで、膨大な量の情報を分析し、臨床上の意思決定を支援するツールとして機能します。眼科では、糖尿病性網膜症、緑内障、黄斑変性症、未熟児網膜症を検出するためのAIアルゴリズムが開発されています。このナラティブレビューでは、神経眼科におけるAIの利用における最近の進歩に焦点を当てています。

神経眼科：統合的な医学分野

視覚系は、目から脳の最も後方の部分、後頭皮質まで伸びています。その結果、頭蓋内の病状はしばしば視覚障害を引き起こし、患者は眼科医に相談することになります。神経眼科学は、視覚経路に沿った病理学の研究を含む統合的な医学分野です。

最も一般的に遭遇する神経眼の状態は、

（1）求心性視覚系に影響を及ぼし、さまざまな形態の視覚機能障害を引き起こし、

（2）中枢性眼球運動障害、眼球運動頭蓋神経障害、視線不安定性、および神経筋接合部または眼球外筋に影響を与える全身機能障害に加えて、瞳孔障害。求心性および遠心性経路の変化は、自己免疫疾患、感染性疾患、炎症性疾患、虚血性疾患、外傷性疾患、圧迫性疾患、先天性疾患、または変性疾患を含む幅広い状態に起因する可能性があります。孤立した神経眼機能障害（例えば、炎症性視神経障害）が根底にある神経疾患（例えば、多発性硬化症）を予見することは珍しいことではありません。同様に、眼科検査を通じて全身または神経学的状態を検出する可能性があるにもかかわらず、神経眼科の分野は、最近まで、AIの分野における重要な進歩から恩恵を受けていませんでした。3つの主な理由がそのような遅延を説明するかもしれません：

（1）DLアルゴリズムを効率的に訓練するために必要なデータの不足につながる神経眼科状態の低い有病率と不均一性。

（2）他の眼科の専門分野と比較して比較的小さな神経眼科医のコミュニティ。

（3）神経眼科センター間の診断「グラウンドトゥルース」の確立における不均一性、特に、ある条件では、神経内科医が最終診断を提供する場合。これにより、フォローアップデータが失われ、AIアルゴリズムのトレーニングに必要な「グラウンドトゥルース」の信頼性が低下する可能性があります。それにもかかわらず、神経眼科はAIの分野での進歩の不毛ではありません。

視神経乳頭の外観を分類するための人工知能

網膜による光の光伝達から生じる神経信号は、視神経を通って脳に伝わります。視神経の近位端であるONHの外観は、その構造的完全性に依存しています。軸索の喪失は、通常、ONH蒼白（またはより進行した段階での萎縮）、カッピング（主に、緑内障だけではない）、およびさまざまな神経障害（例えば、虚血性、炎症性、浸潤性、感染性、毒性、および圧迫性神経障害）の腫れを引き起こします。¹⁹頭蓋内圧亢進症（特に頭蓋内腫瘤または静脈洞血栓症による場合）などのさまざまな神経学的状態は、迅速な診断と介入を必要とする真の医学的緊急事態を表しています。興味深いことに、頭蓋内圧亢進は一般に鬱血乳頭（頭蓋内圧が高い状況でのみ診断される両側性ONH腫脹として定義される）と関連しており、その検出が最も重要です。鬱血乳頭とその原因を検出できないと、神経機能障害、永久的な視力喪失、さらには死に至る可能性があります。^22,23逆に、鬱血乳頭の誤った診断は、不必要で、費用がかかり、侵襲的な調査につながる可能性があります。²⁴したがって、直接検眼鏡によるONHの外観の視覚化は、患者の眼および神経の健康状態を評価するための貴重なツールを提供します。眼科医は一般に検眼鏡を使用してほとんどのONH異常を特定できますが、救急科（ED）の医師を含む眼科以外の訓練を受けた医療従事者は、検眼鏡を使用してONHの外観を視覚化およびコメントすることに自信がありません。²⁵

ONHと網膜の高品質の写真を提供するデジタル眼底カメラは、検眼鏡検査の代替手段を提供します。²⁶ Sachdeva et alによる研究では、頭痛、限局性神経障害、視神経変化、または拡張期高血圧を主訴としてEDに提示された患者で、²⁷枚の眼底写真が撮影され、患者の2.6％でONH腫脹が検出されました（1 38人の患者で）。それにもかかわらず、眼底写真の解釈と診断には、訓練を受けた神経眼科の専門家が依然として必要でした^{28,29 。}そして、そのような専門知識は常にすぐに利用できるとは限りません。訓練を受けた神経眼科医の代わりとして、MLアルゴリズムは、ONHの外観と、場合によっては基礎となる診断を、高速で自動化された正確な解釈のためのソリューションを提供する可能性があります。MLを使用してONH異常を検出した研究の要約を表1に示します。

鬱血乳頭、偽乳頭浮腫、およびその他の視神経乳頭の異常

CMLを使用して、Akbar et al ³⁰健康なONHから鬱血乳頭を検出し、160枚の遡及的に収集された眼底写真を使用してその重症度（軽度対重度）を評価する自動システムを開発しました。4つのクラスの特徴（テクスチャ、色、ディスクの不明瞭化、および血管）がONH写真から抽出され、その後、サポートベクターマシン分類器と動径基底関数カーネルによって処理されました。このシステムは、鬱血乳頭の検出と等級付けについて、それぞれ92.9％と97.9％の精度をもたらしました。鬱血乳頭を検出するためのアクバルの教師あり機械学習アルゴリズムの高精度は、上記と同じ4つの機能の組み合わせを調査し、教師ありサポートベクターマシン分類器を使用して鬱血乳頭検出で87.8％の精度を得たFatimaと同僚の以前の発見に匹敵しました。 。³¹ONH特徴抽出とMLアルゴリズムのさまざまな組み合わせを使用した他の研究では、専門の神経眼科医（カッパスコア= 0.71）と比較した場合、鬱血乳頭の等級付けについて良好な一致が示され、OCT値（ピアソン相関係数、r = 0.77 ）と比較した場合、 ^ONHボリュームが示されました。 ）。³³ 前述の研究は、健康なONHから鬱血乳頭を検出するためのCML技術の可能性を示しました。ただし、臨床診療では、ONH異常の分類はいくつかの診断の可能性をもたらし、バイナリではありません。さらに、後ろ向き研究で一般的に使用されているものと同様に、カラー眼底写真に顕著な臨床的特徴を有する明確な症例/疾患を含むデータセットは、診療所ではめったにありません。したがって、臨床現場で複数のONH状態を検出できるCMLソリューションを開発するには、専門の眼科医が広範囲のONH写真の個々の疾患の特徴と重症度にラベルを付けるためにかなりの努力が必要です。DLアルゴリズムは、特徴を自動的に認識し、カラー眼底写真のONH状態を分類するようにトレーニングできます。

DLを使用して、アンと同僚³⁴他の視神経障害および偽乳頭浮腫のために、正常なONHを腫れたONH（乳頭浮腫を伴うONHの小さなサブセットを含む）と区別した。データ拡張とTensorflowおよび転移学習を備えた古典的な畳み込みニューラルネットワーク（CNN）を使用して、著者は真のONH腫れと疑似腫れを高精度（約95％）で区別しました。残念ながら、この研究は、厳格な臨床的選択基準の欠如や外部の検査データセットなど、さまざまな方法論上の制限に悩まされていました。人工知能による脳と視神経の研究（BONSAI）コンソーシアムは、2019年に、15か国の24の眼科センターにわたる大規模な共同作業を促し、鬱血乳頭やその他のONH異常を分類できる深層学習システム（DLS）の開発につながりました。³⁵セグメンテーション（U-Net）および分類（DensNet）ネットワークで構成されるDLSは、ONHを3つのクラスに分類するようにトレーニングされました：正常、鬱血乳頭、およびその他のONH異常。世界中の19のセンターからのさまざまな民族。トレーニングデータセットは、正常なONHの9156枚の画像、鬱血乳頭を伴う2148枚の画像、およびその他の異常を伴う3037枚のONHで構成されていました。続いて、DLSの分類パフォーマンスが、他の5つの独立したセンターからの1505枚の写真の外部テストデータセットで評価されました。BONSAI-DLSは、正常およびその他のONH異常からの鬱血乳頭の分類で高い精度を示し、曲線下面積（AUC）は0.96 [95％信頼区間（CI）：0.95–0.97]、感度は96.4％（ 95％CI：93.9–98.3）、特異性は84.7％（95％CI：82.3–87.1）です。BONSAI-DLSはまた、正常な椎間板と他の異常（例えば、視神経乳頭萎縮、非動脈性虚血性視神経障害、視神経乳頭ドルーゼンなど）のある椎間板をそれぞれ0.98と0.90のAUCで分類するための高い精度を示しました。³⁵

重要な問題は、DLSが人間と比較してより正確な分類を提供できるかどうかです。この質問に取り組む最近の研究では、BONSAI-DLSの全体的な分類精度（84.7％）は、25年以上の臨床経験（80.1％および84.4％）を持つ2人のフェローシップ訓練を受けた神経眼科医と少なくとも同じくらい良好でした。 DLSのように、追加の臨床情報なしでデジタル眼底写真のONHの外観を診断しました。³⁶

鬱血乳頭および他のONH異常の検出のための訓練されたDLSの頑健性も、より小さな訓練および試験データセットではあるが、2つの研究によって最近確認された。^37,38興味深いことに、従来のデスクトップカメラで撮影した眼底写真のみを使用してトレーニングされたDLアルゴリズムは、正常なONHと異常なONHを分類し、スマートフォンカメラで撮影された画像のテストデータセットで許容可能なパフォーマンスを達成しました（精度= 83％、感度= 100％ 、特異性= 50％）。³⁸この研究は、8つの異常なONHと4つの正常なONHの小さな、不均衡なテストデータセットが原因である可能性が高い、低い特異性と高い感度を示しました。より大きく、前向きに収集され、より代表的なデータセットを適切に検証することで、眼球以外の設定など、高品位のデスクトップ眼底カメラが利用できない設定でONH異常を検出するための十分に訓練されたDLSの可能性があります。

鬱血乳頭の出現の重症度を区別することは、視覚的結果の予測39,40と、疾患および治療の進行のモニタリングにとって重要^です。^41,42 BONSAIコンソーシアムの追跡調査では、鬱血乳頭の重症度を分類するためにDLSが開発され、訓練されました。DLSは、専門家のパネルによって提供された、軽度/中等度の鬱血乳頭を伴う1052枚のmydriatic眼底写真と、グラウンドトゥルースを伴う重度の鬱血乳頭を伴う1051枚の写真で訓練されました。軽度/中等度の鬱血乳頭はFrisenグレードのグレード1から3に対応し、重度の乳頭浮腫はFrisenグレードのグレード4から5に分類されました。⁴³DLSと3人の神経眼科医の分類性能は、軽度/中等度または重度の鬱血乳頭の214枚の写真でテストされました。DLSは、0.93（95％CI：0.89–0.96）のAUC、87.9％の精度、91.8％の感度、および82.6％の特異性を示し、鬱血乳頭を軽度/中等度対重度に分類しました。この分類のパフォーマンスは、神経眼科医のそれと有意差はありませんでした。⁴⁴誤分類の大部分は、Frisenグレード3の乳頭腫性ONHの写真で発生したことは注目に値します（26の誤分類のうち14）。

視神経乳頭蒼白

腫れた外観とは別に、ONHは慢性視神経障害の患者では青白いおよび/または萎縮しているように見えることもあります。⁴⁵ ONH腫脹とは異なり、ONH蒼白の重症度の標準化された診断と等級付けはなく、その評価は、訓練を受けた眼科医の間でもONH評価の主観的な性質⁴⁶と、患者間の解剖学的差異（すなわち、偽水晶体、生理的時間蒼白、乳頭周囲萎縮、および傾斜した椎間板）。⁴⁵

CMLを使用して、Yang et al ⁴⁷カラー眼底写真を使用してONH蒼白を検出するためのコンピュータ支援検出（CAD）システムを開発しました。CADシステムは、ONHの外観を自動的にセグメント化して強化し、さまざまな程度のONH蒼白と123の通常のONHを画像で確認した230枚の眼底写真のトレーニングセットでONH蒼白の特徴とパラメーターを抽出しました。ONH蒼白の検出に使用された2つのパラメーターは、（1）「背景領域」と比較した「カップ深度」の明るさを表す輝度補正比と（2）輝度強度を反映する時間対鼻比です。神経網膜縁の鼻領域のピクセルで割った側頭領域のピクセルの数。次に、ロジスティック回帰モデルを使用して、ONH蒼白の確率を予測しました。このシステムは、96.1％の精度、95.3％の感度を達成しました。⁴⁷

緑内障対非緑内障性視神経障害

緑内障は通常、ONHカッピングを示します。それにもかかわらず、緑内障を模倣することがある圧迫性視神経障害を適切に特定することが重要です。ヤンら⁴⁸DLを利用して、対応する視野（VF）欠損を伴うONHの拡大したカッピングとして定義される緑内障性視神経障害（GON）を、圧迫、遺伝性疾患、慢性虚血、炎症、外傷、または毒性による非緑内障性視神経障害（NGON）と区別するResNet-50アーキテクチャのCNNを使用してONH眼底写真を分析することにより。この研究における視神経障害の原因の診断は、2人の専門の眼科医によって確認され、VFおよびOCT評価の証拠によって裏付けられました。通常のONH、NGON、およびGONを検出するためのDLSの精度は、それぞれ99.7％、86.4％、および92.5％であり、全体の精度は99.1％でした。GONとNGONの画像を明確に区別するためのDLSの診断精度は、93.4％の感度と81の特異度を示しました。適合率–再現率曲線の下の面積が0.87の場合は8％。さらに、偽陽性をもたらす誤分類の大部分は、広範囲の乳頭周囲萎縮および傾斜したONHの患者に見られました。

神経眼科疾患における視神経機能の探索

VFは、求心性視覚経路に沿った病変の影響を受ける可能性があります。²⁰臨床診療では、患者が非定型のVF欠損を呈する場合、または複数の病状がある場合に課題が発生します。^49,50たとえば、一時的なVF喪失が悪化している患者では、診断されていない圧迫性下垂体腫瘤と緑内障の進行を区別することが重要ですが、困難です。^51,52

DLの力を利用してVF欠陥のパターンを分類する試みで、Thomasらは、緑内障のVFの下垂体腫瘤によって引き起こされるVF損失を検出するために、フィードフォワードバックプロパゲーション人工神経回路網（ANN）を開発およびトレーニングしました。⁵³訓練されたANNは2つの方法で評価されました。（1）利用可能な両側VF表現全体の70％で訓練され、データの15％で検証され、残りの15％でテストされました。2）「needle-in-ahaystack」アルゴリズムを使用して、ニューロイメージングで確認された下垂体病変を伴う121の下垂体視覚障害のうちの1つ（より現実的なシナリオを再現するための古典的な両耳側性半盲であるとは限らない）がトレーニングから差し控えられましたデータセットとトレーニングされたDLSは、緑内障性損傷「干し草の山」を伴う907VFでの検出について評価されました。モデルは、最も可能性の高い両耳側性半盲の欠陥から最も可能性の低いものまで提示されるVFの確率をランク付けするようにプログラムされました。数値ランクが高いほど（たとえば、No。1）、両耳側性半盲である可能性が高くなります。2420のネットワークのうち1631（67％）が、下垂体フィールドを1位にランク付けしました。2195（91％）が5位以上、2268（94％）が10位以上と特定しました。アルゴリズムの感度は95.9％で、特異性は99.8％でした。しかし、そのようなアルゴリズムが臨床診療で使用される場合、高い偽陽性率を引き起こし、患者に不必要で費用のかかる神経画像をもたらす可能性があります。

ONHの機能探索の別の手段は、視覚誘発電位（VEP）などの視覚電気生理学診断テストによるものです。MLとANNを利用した小さなサンプルサイズの研究では、2007年と2008年にVEPの視神経異常を検出するための高精度が示されていますが、今日まで、ほとんどのVEPテストは訓練を受けた専門家によって解釈されています。^54,55

要約すると、特にDLを使用するAl駆動型アルゴリズムは、ONHの変化を引き起こす神経疾患を、眼科、神経眼科、および非眼科の設定（ED、内科、神経科クリニック）。CMLとDLを使用した研究の大部分は、神経眼科の設定でONH異常を検出するためにカラー眼底画像に依存していましたが、新しい研究では、視神経乳頭の異常を評価し、視神経乳頭と鬱血乳頭を区別するために、他の画像診断法（OCTなど）でDLを使用しています。 。⁵⁶それでも、そのような技術を日常的に臨床診療に組み込む前に、実際のデータセットに関するさらなる前向き研究が、主に必要とされるケアの標準と比較して、意思決定支援ツールとしてのMLアルゴリズムの有用性を検証するために必要です。 –眼科の専門知識が不足しています）。

眼球運動障害の検出

眼球運動は、皮質制御、皮質下中心、共役眼球運動の運動前協調、眼球運動脳神経（特に脳神経III、IV、およびVI）、および外眼筋の影響を受けます。^20,57この広範なシステムは、安定した両眼単一視力を確立することを目的としています。眼球運動経路へのいかなる侮辱も、眼振と呼ばれる眼球のずれ、共役視線異常、または眼振の異常な不随意振動運動につながる可能性があります。⁵⁸

子供と大人で観察される幼児および後天性斜視の眼球偏位は、筋肉制限、収束または発散不全、または屈折異常と関連している可能性があります。⁵⁸眼のずれは、プリズムカバーテスト（PCT）がゴールドスタンダードである他の方法の中でも、ヒルシュベルクテストとクリムスキーテストによって臨床的に検出できます。⁵⁸これらの方法は、常に利用できるとは限らない眼科医または視能訓練士による専門的なスキルを必要とします。AI技術が開発され、眼球運動データをモデル化するために使用されており、⁵⁹は先天性眼振に関連する特徴を予測し、⁶⁰は斜視を検出します。^61〜73これらの技術は、眼球運動脳神経麻痺など、眼球のずれの他の原因に拡張される可能性があります。

斜視と共役視線異常

AIを使用した眼のずれまたは斜視の検出は、主に患者の写真、62〜66の眼球運動67またはカバーテストビデオ、68,69の網膜複屈折スキャン、70またはPCT測定を利用した技術研究^で説明^され^てい^ます。^71,72これらの研究は表2に要約されています。

顔写真は、さまざまなAI技術で斜視を検出するために使用されてきました。アルメイダら⁶²5つの注視位置（一次、上注、下注、左注、右注）での40人の成人患者の臨床写真のヒルシュベルク反射に基づいて斜視を検出および診断するためのCADを提案しました。顔のセグメンテーション、目の領域の検出、目の位置、輪部の位置と明るさ、そして最後に検出された光反射までの角膜の中心の距離に基づく斜視の診断の5つのステップが使用されました。眼のずれを特定する精度は、外斜視で100％、内斜視で88％、上斜視で80％、低斜視で83％でした。角膜対光反射の分析も使用したが、子供の一次注視のみを使用した同様の研究では、94.2％の精度、97.2％の感度、および73.1％の特異度が達成されました。⁶³ただし、上記の研究は、データのサンプルサイズが小さいために制限されていました。Figueiredo et al ⁷⁴は、DLアルゴリズムを使用して、モバイルアプリケーションを介して成人の顔写真から目のバージョンを客観的に分類しました。モデルは最初に9つの視線位置でトレーニングされ、ニューラルネットワークアーキテクチャとしてResNet-50を介して処理されました。アプリケーションは、目のバージョンのタイプに応じて、42％から92％の範囲の精度と、28％から84％の範囲の精度を達成しました。最近、Zheng et al ⁶⁴また、一次注視写真に基づいて、子供の参照可能な水平斜視をスクリーニングするためのDLアプローチを開発しました。合計7026枚の画像を使用してモデルをトレーニングし、独立したデータセットからの277枚の画像をテストしました。アルゴリズムは95％の精度を達成しました。これは、常駐の眼科医よりも優れたパフォーマンスです（精度は81％から85％の範囲です）。自動セルフスクリーニングを促進する試みとして、2018年にLu et al ⁶⁵は、患者自身が撮影した目の写真を使用して遠隔医療環境で斜視を検出するためのディープニューラルネットワークを開発しました。DLSは、斜視の検出に対して93.9％の精度、93.3％の感度、および96.2％の特異度を達成しました。^{2019年、 Jung} etal66による研究顔の非対称性に基づいて斜視を95％の精度で検出するために、フルフェイスの写真を使用することも提案されています。そのような技術の有用性を確認する前に、理想的には前向きに実施される、さらに大規模な臨床検証研究が必要となるでしょう。

患者の静止写真を使用する以外に、いくつかの研究では、さまざまな視線方向の眼球運動ビデオを分析しました。Chen et al ⁶⁷は、ImageNetデータベースで以前にトレーニングされたさまざまなCNNモデルを使用するプログラムを開発しました。アイトラッカーからのデータを抽出して、3つの異なる視線角度（左、右、中央）での被験者の凝視精度を表す視線偏差画像を生成しました。次に、視線偏差画像がCNNに送られ、ストラビスミックまたは正常として分類されました。斜視の成人患者17人と対照25人の少量のサンプルでテストした場合、95％の精度、94％の感度、96％の特異性で最高のパフォーマンスが得られました。研究者たちはまた、患者のPCTのビデオを調査しました。ヤンらによる研究では、⁶⁸被写体の視界とすべての可視光を遮断するが、赤外線を選択的に透過する特殊なオクルーダーを備えた赤外線カメラを使用して、子供と大人の内斜視と外斜視の水平方向の偏差を測定しました。このプログラムは、 2人の独立した眼科医によって実行された手動PCT測定と強い正の相関（R = 0.90、P < 0.001）を達成しました。Valenteとチームは、輪部の識別、視線追跡、オクルーダーの検出を組み込んだ別のプログラムを通じて、カバーテストのビデオを分析しながら、特別なカメラやフィルターの必要性を排除しようとしました。⁶⁹この方法論は、外斜視の検出に対して93.3％の精度、80.0％の感度、および100％の特異性を達成しました。

臨床写真またはビデオを使用したこれらのアルゴリズムの主な制限の1つは、角膜輪部および角膜光反射を正確に決定できないため、角膜、結膜、または眼周囲の異常（例、微小角膜、結膜色素沈着、顔面骨折）の患者には適用できないことでした。 。これを克服するために、グラマティコフとチーム⁷⁰は、代わりに網膜複屈折スキャンを使用して、眼から反射された光の偏光の変化に基づいて中心固視を検出しました。特別に設計されたANNによる分析と組み合わせて、システムは、39人の被験者（20人の対照、19人の斜視、主に子供）でテストしたときに98.5％の感度と100％の特異性を示し、眼のずれを検出しました。

最後に、垂直偏差の一般的なパターンでのPCT測定も、ANNアルゴリズムを使用して調査されました。StrabNetは、多層パーセプトロンを利用して、垂直斜視を片側または両側の上斜筋麻痺、下斜筋麻痺、茶色の上斜筋腱鞘症候群、甲状腺眼症、または眼窩の破裂骨折を含むさまざまなパターンに分類する逆伝播学習システムです。^71,72 StrabNetは、94％の診断精度、100％の特異性、および専門の視能訓練士との84％の一致を達成しました。

外眼筋運動の異常は、中枢神経系の病変を特定するために使用できます。⁷⁵ある研究では、決定木誘導を使用して、手術を受けた小脳橋角腫瘍、手術を受けた血管芽腫、小脳脳幹の梗塞、メニエール病、および対照被験者における共役眼球運動の動眼神経検査パラメーターと病変位置との関係をモデル化しました。⁵⁹眼球運動の評価には、皮膚電極を用いて眼電図で記録されたランダムな追跡眼球運動と衝動性眼球運動が含まれていました。3つのクラス（対照被験者、中心病変、末梢病変）に分けた場合、プログラムの平均分類精度は91％でした。5つのクラス（対照被験者、脳幹病変、小脳病変、小脳脳幹病変、末梢病変）を使用した場合、分類精度は88％になりました。

眼のずれや共役視線の異常の検出と診断にAIを使用することは、小児眼科⁷²と神経眼科⁵⁹の両方での応用に有望です。ただし、臨床診療または遠隔医療プログラムに実装する前に、確固たる根拠のある公的に入手可能なデータセットを使用する可能性のある大規模な研究が必要です。

眼振

眼振は先天性または後天性である可能性があり、中枢神経系の病状、末梢前庭疾患、または重度の視力喪失によって引き起こされる可能性があります。さまざまな数の眼振波形タイプが臨床文献に記載されており、眼振の特徴は、状態の病因を示す場合があります。⁷⁶ D’addio et al ⁷⁷先天性眼振のさまざまなパラメータ間の関係を調査するために、2つのアルゴリズム（1）ランダムフォレストと2）ロジスティック回帰ツリーに基づいて構築された予測モデルを考案しました。20人の患者（大人と子供）の眼電図を記録し、カスタムメイドのソフトウェアを介して信号を抽出しました。モデルは、決定係数値がそれぞれ0.70と0.73で、視力と目の位置の変動を予測することができました。この研究は、他のタイプの眼振の調査のためのフレームワークとして役立つ可能性があります。

重症筋無力症の古典的な機械学習

重症筋無力症（OMG）は、特に外眼筋とまぶたの筋肉に影響を与える重症筋無力症のサブセットです。罹患した患者は、典型的には、変動性で疲労しやすいpto-sis、および/または眼筋麻痺を示します。OMGの診断は臨床現場では困難な場合があり、重症筋無力症の絶対的な診断を確立できる単一の検査はありません。⁷⁸ Liu et al ⁷⁹ネオスチグミン検査中にOMG患者の眼球外運動とまぶたの位置の顔画像とビデオを使用してOMGの診断を支援するCADシステムを開発しました。OMG-netと呼ばれる画像セグメンテーションソフトウェアはチームによって開発され、MobileNetはエンコーダー–デコーダーネットワークのバックボーンとして機能しました。プログラムは、医師の手動測定結果と比較した場合、眼球とまぶたの位置のパラメータ（眼瞼開口部、強膜距離）を正常に決定することができました。この研究は、より複雑なアルゴリズムを構築できるプラットフォームとして機能する可能性がありますが、著者は、このモデルの画像セグメンテーションを改善できることを認めました。

神経眼科に隣接する条件でのAIの追加アプリケーション

神経眼科クリニックでは直接見られないこともありますが、さまざまな頭蓋内発作（すなわち、神経変性、神経発達、外傷など）のある患者は、眼症状に苦しむ可能性があります。簡単に言えば、ML技術は、神経変性疾患⁸⁰（パーキンソン病、^81,82アルツハイマー病⁸³）および神経精神病の注視パラメーターで評価されています。^{瞳孔測定に関する84,85DL技術は、神経発達障害86}および精神障害の調査にも使用されています。⁸⁷さらに、頭蓋内手術、特にセラー領域でのVEP応答は、ニューラルネットワークアルゴリズムによって自動的に解釈することもでき、外科的切除中のリアルタイムモニタリングを導く可能性があります。⁸⁸神経学的状態の視覚的パラメータを評価する際のAIの有用性についてさらに調査する見込みはたくさんありますが、このトピックはこのレビューの範囲外です。

結論と将来の展望

AIの分野は、ONHの構造と機能、および程度は低いものの特定の眼球運動障害をスクリーニングおよび特性評価するための多くの有用なシステムを提供します。これらのシステムは、特に眼の機能障害が潜在的な生命を脅かすおよび/または全身性疾患を抱えている可能性がある神経眼科の状態において、複雑な診断手順を自動化、タイムリー、正確、およびスケーラブルにする可能性があります。今日、専門家がすぐに利用できない神経眼科および非神経眼科の設定でのAIシステムの実際の有用性を評価するには、より前向きな多中心的な研究が必要です。さらに、診断の頻度を減らすために、網膜画像のDL駆動型品質評価もますます重要視されています。これは、データが不足している神経眼科でさらに重要な側面である、通常は使用できないデータセットです。⁸⁹長期的には、眼科医はAIを利用した予後診断と個別化された治療を可能にする疾患モニタリングの恩恵を受ける可能性がありますが、非眼科医はAIを利用した眼科検査による神経学的および全身的状態の自動発見から恩恵を受ける可能性があります。最後に、バックプロパゲーションを使用した顕著性マップ、 ⁹⁰のクラス活性化マップ、 ⁹¹、さらには機能の視覚化など、さまざまな方法で教師なしDLモデルの隠れ層を調査することで、いつの日かマシンが教えることができるようになる可能性新しい病気の特徴についての神経眼科医および他の臨床医。

COVID-19のパンデミックは、AIを利用した遠隔医療の臨床診療への導入を加速させるだけであり、^93-95およびAIベースの介入は、さまざまな分野、患者、規制当局の開業医によってますます受け入れられています。このAIアプリケーションの急増は、組み込みAIテクノロジー、⁹⁶および長距離臨床調査/自己調査（VFテストアプリケーション、電話ベースのイメージング、ハンドヘルドイメージングデバイスなど）⁹⁶を可能にする技術革新によって補完され、テレニューロを促進する必要があります。 –実行可能な医療提供システムとしての眼科。