ディープラーニングベースのアルゴリズムを用いた単眼底写真を用いた緑内障性円板の同定

/ /

日本語AIでPubMedを検索

PubMedの提供する医学論文データベースを日本語で検索できます。AI(Deep Learning)を活用した機械翻訳エンジンにより、精度高く日本語へ翻訳された論文をご参照いただけます。

Ophthalmol Glaucoma.2018 Jul - Aug;1(1):15-22. S2589-4196(18)30012-7. doi: 10.1016/j.ogla.2018.04.002.Epub 2018-06-05.

ディープラーニングベースのアルゴリズムを用いた単眼底写真を用いた緑内障性円板の同定

A Deep Learning-Based Algorithm Identifies Glaucomatous Discs Using Monoscopic Fundus Photographs.

Sidong Liu
Stuart L Graham
Angela Schulz
Michael Kalloniatis
Barbara Zangerl
Weidong Cai
Yang Gao
Brian Chua
Hemamalini Arvind
John Grigg
Dewei Chu
Alexander Klistorner
Yuyi You

PMID: 32672627 DOI: 10.1016/j.ogla.2018.04.002.

抄録

目的:

単眼底写真を用いた緑内障性椎間板同定のためのディープラーニングベースのアルゴリズムの開発と性能検証を行う。

PURPOSE: To develop and test the performance of a deep learning-based algorithm for glaucomatous disc identification using monoscopic fundus photographs.

デザイン:

眼底写真のデータベース調査。

DESIGN: Fundus photograph database study.

参加者:

シドニーを拠点とした過去の臨床研究による3768枚の画像と、確定診断がなされた一般に公開されているオンラインのRIM-ONEおよび高解像度眼底（HRF）データベースからの626枚の画像を含む、4,394枚の眼底写真。

PARTICIPANTS: Four thousand three hundred ninety-four fundus photographs, including 3768 images from previous Sydney-based clinical studies and 626 images from publicly available online RIM-ONE and High-Resolution Fundus (HRF) databases with definitive diagnoses.

方法:

HRFデータベースを除くすべてのデータベースをマージし、データセットをトレーニングセット（全ケースの80％）とテストセット（全ケースの20％）に分割した。HRF画像を追加のテストセットとして使用した。オーストラリア、ニュージーランド、カナダ、英国の緑内障専門医を含む眼科医のパネルと人工知能（AI）システムの性能を比較しました。

METHODS: We merged all databases except the HRF database, and then partitioned the dataset into a training set (80% of all cases) and a testing set (20% of all cases). We used the HRF images as an additional testing set. We compared the performance of the artificial intelligence (AI) system against a panel of practicing ophthalmologists including glaucoma subspecialists from Australia, New Zealand, Canada, and the United Kingdom.

主な成果測定:

緑内障性視床の検出におけるAIシステムの感度と特異性。

MAIN OUTCOME MEASURES: The sensitivity and specificity of the AI system in detecting glaucomatous optic discs.

結果:

単眼底写真を使用して、AIシステムは、緑内障円板の識別において高い精度率（92.7％；95％信頼区間[CI]、91.2％～94.2％）を示し、感度89.3％（95％CI、86.8％～91.7％）および特異度97.1％（95％CI、96.1％～98.1％）を達成し、受信機動作特性曲線下面積は0.97（95％CI、0.96～0.98）となりました。独立したオンライン HRF データベース（30 画像）を使用して、AI システムは感度と特異度の両方で 86.7%（眼科医の場合、感度 75.6%、特異度 77.8%）、受信機動作特性曲線下面積 0.89（95% CI、0.76-1.00）と、再び高い精度を達成しました。

RESULTS: By using monoscopic fundus photographs, the AI system demonstrated a high accuracy rate in glaucomatous disc identification (92.7%; 95% confidence interval [CI], 91.2%-94.2%), achieving 89.3% sensitivity (95% CI, 86.8%-91.7%) and 97.1% specificity (95% CI, 96.1%-98.1%), with an area under the receiver operating characteristic curve of 0.97 (95% CI, 0.96-0.98). Using the independent online HRF database (30 images), the AI system again accomplished high accuracy, with 86.7% in both sensitivity and specificity (for ophthalmologists, 75.6% sensitivity and 77.8% specificity) and an area under the receiver operating characteristic curve of 0.89 (95% CI, 0.76-1.00).

結論:

本研究では、ディープラーニングに基づいたアルゴリズムにより、単眼底画像を用いて緑内障性円板を高精度で識別できることを実証した。高品質の立体視画像よりも単視鏡眼底画像の方がはるかに簡単に得られることを考えると、本研究は、大規模な集団ベースの疾患スクリーニングや遠隔医療プログラムへの応用の可能性を強調している。

CONCLUSIONS: This study demonstrated that a deep learning-based algorithm can identify glaucomatous discs at high accuracy level using monoscopic fundus images. Given that it is far easier to obtain monoscopic disc images than high-quality stereoscopic images, this study highlights the algorithm's potential application in large population-based disease screening or telemedicine programs.