Машинное обучение точно определяет поражения iRORA и cRORA при ВМД

Шринивас Р. Саада, Мэриленд

Предоставлено Калифорнийским университетом

Новое исследование направлено на оценку алгоритма глубокого обучения для автоматического обнаружения неполной эпителиальной и внешней пигментной атрофии сетчатки (iRORA) и пигментной внешней и эпителиальной атрофии сетчатки (cRORA) в глазах с возрастной дегенерацией желтого пятна (AMD).

Результаты показывают, что модель глубокого обучения может точно и точно идентифицировать поражения как iRORA, так и cRORA в объемах сканирования оптической когерентной томографии (ОКТ) из глаз с несосудистой ВМД.¹

Исследовательская группа, возглавляемая Шринивасом Р. Садой, доктором медицинских наук Института глаза Доэни, написала UCLA.

В рамках ретроспективного анализа машинного обучения модель глубокого обучения была обучена совместной классификации присутствия iRORA и cRORA в данном B-сканировании. Затем алгоритм был оценен с использованием двух отдельных независимых наборов данных. Объемы В-сканирования ОКТ были получены у 71 пациента с несосудистой ВМД в центрах Doheny-UCLA.

Кроме того, использовались следующие два набора данных внешнего теста OCT B: Университет Пенсильвании, Университет Майами, Университет Кейс Вестерн Резерв и (2) Исследовательская лаборатория чтения изображений Доэни.

Затем изображения были объяснены опытным представителем на наличие iRORA и cRORA. Исследователи обучили модель классификации аннотаций Resnet18 для каждого B-обследования, используя тома ОКТ, собранные в глазных центрах Doheny-UCLA. По словам исследователей, эта модель была применена к двум наборам тестовых данных, чтобы оценить производительность модели вне выборки.

Основными результатами анализа были характеристики модели, которые были количественно определены с точки зрения площади под кривой рабочей характеристики приемника (AUROC) и площади под кривой точного поиска (AUPRC). Команда дополнительно сравнила чувствительность, специфичность и положительную прогностическую ценность с дополнительными клиническими комментаторами.

После анализа независимо собранного тестового набора из 1117 томов из общей популяции исследователи обнаружили, что модель предсказывала iRORA и cRORA во всей папке с почти идеальной производительностью AUROC и оценками AUPRC (iRORA, 0,61; доверительный интервал 95%). [CI], 0,45–0,82; кРОРА, 0,83; 95% ДИ, 0,68–0,95).

В другой когорте, собранной независимо, состоящей из 60 ОКТ-В-сканов, обогащенных очагами iRORA и cRORA, данные показали модель, выполненную с AUROC (iRORA, 0,68; 95% ДИ, 0,54–0,81; cRORA, 0,84; 95% ДИ, 0,75). — 0,94) и AUPRC (iRORA, 0,70; 95% ДИ, 0,55–0,86; cRORA, 0,82; 95% ДИ, 0,70–0,93).

Вместе авторы предполагают, что результаты показали, что модель глубокого обучения точна и точна в выявлении поражений как iRORA, так и cRORA в объеме сканирования OCT B.

Рекомендации

1. Сян Джин, Корадити Дж., Нитала М.Г. и др. Автоматическая идентификация неполного и обширного пигментного эпителия сетчатки и внешней атрофии сетчатки с использованием машинного обучения. Офтальмология сетчатки. 2023 год; 7 (2): 118-126. doi: 10.1016/j.oret.2022.08.016