Tujuan: Menilai keakuratan model deep learning untuk memprediksi perkembangan glaukoma
dari fundus foto beberapa tahun sebelum timbulnya penyakit.
Desain: Pengembangan algoritma untuk memprediksi glaukoma menggunakan data dari studi
longitudinal prospektif.
Peserta: Sebanyak 66.721 foto fundus dari 3272 mata dari 1636 subjek yang mengikuti kegiatan
Studi Perawatan Hipertensi Okuler (OHTS) dimasukkan.
Pengukuran Hasil Utama: Akurasi dan luas di bawah kurva (AUC).
Metode: Foto fundus dan bidang visual diperiksa dengan cermat oleh 2 pembaca independen dari
cakram optik dan pusat membaca bidang visual dari OHTS. Ketika suatu kelainan terdeteksi oleh
pembaca, file subjek dipanggil kembali untuk pengujian ulang untuk mengkonfirmasi kelainan
dan untuk konfirmasi lebih lanjut dengan kompromi titik akhir panitia. Dengan menggunakan
66.721 foto fundus, model deep learning dilatih dan divalidasi menggunakan 85% model foto
fundus dan selanjutnya diuji ulang (divalidasi) pada 15% foto fundus yang tersisa (dipegang).
Hasil: AUC model deep learning dalam memprediksi perkembangan glaukoma 4 sampai 7 tahun
sebelumnya onset penyakit adalah 0,77 (95% [CI], 0,75-0,79). Akurasi model dalam
memprediksi perkembangan glaukoma sekitar 1 sampai 3 tahun sebelum onset penyakit adalah
0.88 (95% CI, 0.86e0.91). Itu akurasi model dalam mendeteksi glaukoma setelah onset adalah
0,95 (95% CI, 0,94e0,96).
Kesimpulan: Model pembelajaran mendalam dapat memprediksi perkembangan glaukoma
sebelum timbulnya penyakit akurasi yang wajar. Mata dengan kelainan lapang pandang tetapi
tidak memiliki neuropati optik glaukoma yang lebih tinggi kecenderungan untuk dilewatkan oleh
algoritma pembelajaran yang mendalam.
Meski sebagian besar penerapan Namun, subjek dengan 1 atau lebih faktor
model deep learning telah berpusat di sekitar risiko tersebut mungkin atau mungkin tidak
diagnosis glaukoma untuk tujuan skrining, mengembangkan glaukoma, membuat akurat
tujuan dari penelitian kami adalah untuk prediksi menantang. Karena glaukoma bisa
mengevaluasi kegunaan model pembelajaran jadi asimtomatik, deteksi sebelum
mendalam untuk prediksi glaucoma dari foto kehilangan penglihatan yang signifikan
fundus berwarna jauh sebelum manifesta- kritis. Dengan demikian, metode untuk
tion dari tanda-tanda klinis. Kami memprediksi glaukoma bisa berdampak
berhipotesis bahwa pembelajaran mendalam signifikan terhadap kesehatan masyarakat.
itu model, seperti model yang kami usulkan, Fotografi fundus dilatasi
dapat diungkap gejala klinis dan subklinis memberikan kenyamanan dan alat murah
yang diinduksi glaukoma yang mungkin untuk merekam struktur kepala saraf optik,
mengarah pada peningkatan pemahaman dan penilaian glaucomatous optic
kita tentang mekanisme un- derlying neuropathy (GON) tetap menjadi standar
glaukoma. emas untuk menunjukkan keberadaan
Glaukoma adalah kelompok kelainan glaukoma. Namun, penilaian manual dari
yang heterogen mewakili penyebab utama disk optic melalui foto fundus untuk
kebutaan kedua secara keseluruhan, skrining glaucoma membutuhkan pelatihan
mempengaruhi hingga 91 juta orang di klinis yang signifikan, sangat subjektif
seluruh dunia. Glaukoma memiliki beberapa dengan kesepakatan saat ini terbatas
faktor risiko yang diketahui, termasuk usia mengenai hasil bahkan di antara spesialis
tua usia, etnis Afrika-Amerika, peningkatan glaukoma, dan padat karya untuk aplikasi
tekanan intraocular sure (IOP), dan untuk populasi umum. kemajuan terkini
ketebalan kornea sentral yang lebih tipis. dalam kecerdasan buatan dan model
pembelajaran mendalam bersama dengan data memiliki keunggulan dibandingkan
pertumbuhan yang signifikan dalam metode yang telah ditentukan sebelumnya asumsi
pencatatan yang tersedia Foto fundus telah dan aturan untuk membangun pengetahuan
menjanjikan dan memungkinkan di mesin pengklasifikasi belajar. Beberapa
pengembangan sistem objektif untuk penelitian telah membuktikannya model
menilai saraf optic kepala melalui foto pembelajaran dapat mengidentifikasi tanda-
fundus, sehingga mengarah ke peningkatan tanda yang disebabkan penyakit
diagnosis glaukoma (Norouzifard M, mendiagnosis penyakit atau
Nemati A, GholamHosseini H, mengidentifikasi tingkat keparahan penyakit
dkk. Diagnosis glaukoma otomatis dari gambar ophthalmic dengan akurasi
menggunakan pembelajaran mendalam dan tinggi dalam kondisi mata seperti retinopati
transfer: proposal sistem untuk pengujian diabetik, degener makula terkait usia-usia,
klinis. Makalah disajikan pada: 2018 dan glaukoma. Mengintegrasikan
Internasional Konferensi tentang Image and pembelajaran mendalam model menjadi
Vision Computing Baru Selandia kamera fotografi fundus portabel atau umum
(IVCNZ). 19-21 November 2018, Auckland, praktek dapat memberikan penilaian
Selandia Baru). otomatis con- con- penyakit seperti
Model pembelajaran mendalam glaukoma dan memiliki potensi yang
membutuhkan penjelasan klinis yang besar signifikan menyediakan skrining yang
melatih dataset untuk mempelajari fitur-fitur terjangkau untuk populasi berisiko dan
yang menjanjikan dari im- usia. Belajar dari meningkatkan akses ke perawatan.
Gambar 1. Bagan alur identifikasi dan pelabelan glaukoma. Mata dilabeli sebagai glaukoma berdasarkan
neuropati optik glaukoma (GON) atau bidang visual Kelainan. Penugasan pusat membaca harus dikonfirmasi lebih
lanjut oleh komite titik akhir. Tiga set data dipilih dari foto fundus berdasarkan tanggal onset glaukoma setiap mata:
1 set data untuk diagnosis glaukoma dan 2 set data untuk prediksi glaukoma.