Memprediksi Glaukoma sebelum Mulai

Menggunakan Pembelajaran Mendalam

Anshul Thakur, PhD,1, 2 Michael Goldbaum, MD, MSc,3 Siamak Yousefi, PhD  2, 4

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
model deep learning telah berpusat di sekitar
diagnosis glaukoma untuk tujuan skrining,
tujuan dari penelitian kami adalah untuk
mengevaluasi kegunaan model pembelajaran
mendalam untuk prediksi glaucoma dari foto
fundus berwarna jauh sebelum manifesta-
tion dari tanda-tanda klinis. Kami
berhipotesis bahwa pembelajaran mendalam
itu model, seperti model yang kami usulkan,
dapat diungkap gejala klinis dan subklinis
yang diinduksi glaukoma yang mungkin
mengarah pada peningkatan pemahaman
kita tentang mekanisme un- derlying
glaukoma.
Glaukoma adalah kelompok kelainan
yang heterogen mewakili penyebab utama
kebutaan kedua secara keseluruhan,
mempengaruhi hingga 91 juta orang di
seluruh dunia. Glaukoma memiliki beberapa
faktor risiko yang diketahui, termasuk usia
tua usia, etnis Afrika-Amerika, peningkatan
tekanan intraocular sure (IOP), dan
ketebalan kornea sentral yang lebih tipis.
Namun, subjek dengan 1 atau lebih faktor
risiko tersebut mungkin atau mungkin tidak
mengembangkan glaukoma, membuat akurat
prediksi menantang. Karena glaukoma bisa
jadi asimtomatik, deteksi sebelum
kehilangan penglihatan yang signifikan
kritis. Dengan demikian, metode untuk
memprediksi glaukoma bisa berdampak
signifikan terhadap kesehatan masyarakat.
Fotografi fundus dilatasi
memberikan kenyamanan dan alat murah
untuk merekam struktur kepala saraf optik,
dan penilaian glaucomatous optic
neuropathy (GON) tetap menjadi standar
emas untuk menunjukkan keberadaan
glaukoma.  Namun, penilaian manual dari
disk optic melalui foto fundus untuk
skrining glaucoma membutuhkan pelatihan
klinis yang signifikan, sangat subjektif
dengan kesepakatan saat ini terbatas
mengenai hasil bahkan di antara spesialis
glaukoma, dan padat karya untuk aplikasi
untuk populasi umum. kemajuan terkini
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.

Foto fundus penelitian ini diperoleh

Metode dari OHTS setelah penandatanganan
Peserta dan Data kesepakatan penggunaan data dan menerima
Badan Peninjau kelembagaan persetujuan
Penelitian dilakukan sesuai dengan prinsip
Helsinki. Semua peserta memberikan
persetujuan. OHTS adalah penyelidikan
multisenter prospektif (22 pusat di seluruh
Amerika Serikat) yang berupaya untuk
mencegah atau menunda permulaan visual
kehilangan lapangan pada pasien dengan
peningkatan TIO (dengan risiko sedang
mengembangkan glaukoma). Semua faktor
risiko diukur dibaseline sebelum onset
penyakit dan dikumpulkan kira-kira 16
tahun (fase 1 dan 2). Jadi, basis longitudinal
dari OHTSset data memungkinkan
pengembangan model untuk memprediksi
glaucoma sebelum timbulnya penyakit.
Sebanyak 66.721 foto fundus dari
3272 mata 1636 subjek dengan disk optik
yang tampak normal dan normal bidang
visual pada kunjungan awal
dimasukkan. Ukuran okuler Surements dan
foto fundus dikumpulkan setiap tahun
selama penelitian. Rincian OHTS dan
prosedur untuk mengidentifikasi glaukoma
telah diuraikan di studi lain. Gambar
1 mengilustrasikan bagaimana foto fundus
diberi label dan 3 kumpulan data yang kami
buat dari kumpulan 66721 foto fundus untuk
mengembangkan 3 kedalaman yang berbeda
model pembelajaran untuk mendeteksi dan
memprediksi glaukoma. Karena variabilitas
bidang visual, 2 visual abnormal berulang
bidang diperlukan oleh pusat membaca
untuk memberi label mata sebagai
glaukoma. Keseluruhan proses ditinjau lebih
lanjut oleh komite titik akhir independen.
Gambar 2. Mata tanpa tanda-tanda GON atau
kelainan bidang visual diikuti selama sekitar 10
tahun, dan foto fundus dikumpulkan Setiap tahunnya.
Waktu onset menunjukkan ketika mata sampel
diidentifikasi sebagai glaukoma berdasarkan GON
atau kelainan bidang visual. Panah hijau sesuai untuk
mendanai foto yang dikumpulkan 4 hingga 7 tahun
sebelum tanggal timbulnya glaukoma, panah kuning
mewakili foto fundus yang dikumpulkan 1 hingga
3tahun sebelum tanggal konversi glaukoma, dan
panah merah sesuai dengan foto fundus yang
dikumpulkan pada atau setelah waktu onset glaucoma
Diidentifikasi.
Dataset pertama termasuk 45.379
foto fundus dari non-glaukoma (di seluruh
artikel ini, non-glaukoma mengacu pada
mata dengan TIO yang meningkat tetapi
struktur dan bidang visual normal, seperti
yang didefinisikan dalam yang OHTS) dan
mata dengan glaukoma. Dari 45.379 foto
fundus- Grafik, 41.298 berasal dari mata
nonglaukoma dan 4081 sisanya foto berasal
dari mata dengan glaukoma (ditentukan atas
dasar kelainan GON atau bidang
visual). Kami menyebutnya diagnosis
Himpunan data (Gambar 2, panah merah
menunjukkan titik waktu terkait foto
fundus). Dari 4081 foto fundus dari pasien
glaukoma, sekitar 29% dari foto fundus ini
diberi label sebagai glaukoma karena GON
tanpa lapang pandang apapun kelainan, 22%
dari foto diberi label sebagai glaucoma
karena kelainan lapang pandang tanpa bukti
GON, dan 49% foto diberi label sebagai
glaukoma karena keberadaannya baik GON
dan kelainan bidang visual.
Dataset kedua termasuk 42601 foto
fundus dari mata dan mata nonglaukoma
yang akhirnya diubah menjadi glaucoma
setelah kira-kira 1-3 tahun. Kami
menyebutnya "prediksi terlambat"
Himpunan data. Dataset prediksi akhir
mencakup 41298 fundus foto- grafik dari
mata nonglaukoma dan 1.303 foto fundus
dari mata yang berubah menjadi glaukoma
setelah 1 sampai 3 tahun (Gambar 2, panah
kuning menunjukkan titik waktu dari foto
fundus yang sesuai).
Dataset ketiga termasuk 42498 foto
fundus dari nonglaucoma mata dan mata
yang akhirnya dikonversi menjadi glaucoma
setelah sekitar 4-7 tahun. Kami
menyebutnya "awal prediksi”. Dataset
prediksi awal mencakup 41298 foto fundus
dari mata nonglaukoma dan 1200 fundus
foto dari mata yang akhirnya berkembang
menjadi glaukoma setelahnya 4-7 tahun
( Gambar 2 , panah hijau menunjukkan
waktu titik foto fundus yang sesuai). Set
yang sama Foto fundus yang diperoleh dari
mata nonglaukoma digunakan di semua 3
dataset. Kami mengembangkan 3 model
pembelajaran mendalam yang berbeda
menggunakan foto fundus dari 3 dataset ini
untuk menilai keakuratan model dalam
memprediksi dan mendeteksi glaukoma.
Latih, Uji, dan Set Data
Validasi
Kami pertama-tama memilih 15% data
untuk validasi akhir (pengujian
ulang). Kami kemudian memilih sisa 85%
dari data dan digunakan Validasi silang 5
kali lipat untuk melatih model,
hyperparameter seleksi, dan pengujian. Di
setiap lipatan validasi silang, 80% contoh
dari setiap kelas digunakan untuk pelatihan
dan contoh yang tersisa digunakan untuk
pengujian. Untuk menghindari bias,
semuanya pengujian dan validasi dilakukan
pada tingkat subjek dari level mata tanpa
tumpang tindih antara train, test, dan
validasi. Mengulangi proses ini beberapa
kali hasil yang dapat direproduksi.
Pengolahan Gambar
Seperti disebutkan sebelumnya, foto fundus
OHTS dipindai dari foto fundus yang
terdokumentasi (cetakan) dan disimpan di
Format JPEG. Oleh karena itu, foto fundus
dari OHTS set data menyajikan artefak
tambahan dibandingkan dengan ar- Fakta-
fakta yang ada dalam foto fundus seperti
kondisi pencahayaan dan efek dari
lingkungan yang berbeda dan pengaturan
kamera. Artefak seperti deformasi gambar
dan adanya label yang tidak terkait gambar
umum dalam gambar dari dataset
OHTS. Untuk mengurangi beberapa
masalah kualitas gambar, kami melakukan
kontras peningkatan dan menerapkan
pemfilteran Gaussian ke semua foto fundus-
grafik. Foto-foto itu dipotong, dinormalisasi,
dan diubah ukurannya menjadi 224Â224Â3
(format warna).
Model Pembelajaran
Mendalam
Kami menggunakan jaringan saraf
konvolusional yang efisien secara komputasi
(CNN) arsitektur, MobileNetV2, untuk
mengembangkan kedalaman kita model
pembelajaran. Parameter yang dapat dilatih
di MobileNetV2 21 adalah sekitar 1% dari
parameter dalam model bersaing tersebut
sebagai Inception-v3 22 dan ResNet-
150, 23 menjadikannya pilihan yang cocok
untuk masalah di mana sumber daya
komputasi dan data pelatihan berada langka.
Model pembelajaran mendalam
pertama dilatih tentang "diagnosis dataset”
dimana foto fundus diambil pada atau
setelahnya glaukoma, dan digunakan untuk
mengklasifikasikan foto fundus tertentu-
grafik sebagai glaukomatosa atau
nonglaucomatous ( Gambar 1). Satu Aspek
yang menantang dari model ini adalah
mengidentifikasi fundus foto-foto yang telah
diberi label sebagai glaukoma karena visual
kelainan lapangan tanpa tanda-tanda GON
yang jelas. Ini membuat model diagnosis
kami lebih kuat dibandingkan dengan
sebelumnya Model yang dikembangkan
hanya mengidentifikasi foto fundus itu telah
diberi label sebagai glaukoma karena
GON. Begitu juga yang lainnya 2 model
dilatih untuk memprediksi glaukoma 1-3
tahun dan 4-7 tahun sebelum timbulnya
penyakit. Sejauh pengetahuan kami, ini
adalah salah satu upaya pertama untuk
mengembangkan pembelajaran mendalam
model yang dapat memprediksi glaukoma
dari foto fundus beberapa tahun sebelum
manifestasi fungsional atau struktural klinis
dari tanda-tanda glaukoma. Karena foto
fundus di dalam model prediksi
dikumpulkan dari mata sebelum glaucoma
onset dan oleh karena itu tanpa tanda klinis
atau jelas glaukoma, model prediksi lebih
menantang untuk dikembangkan daripada
model diagnosis.
Strategi Pelatihan
Untuk melatih model, kami
menggunakan pembelajaran transfer. Lebih
spesifik, MobileNetV221 diinisialisasi
dengan bobot yang sudah dilatih
sebelumnya awalnya diperoleh dengan
melatih model pada dataset ImageNet.
Pembelajaran transfer membuat konvergensi
lebih cepat dan menyediakan kinerja
klasifikasi yang lebih efektif saat menangani
data pelatihan dengan sampel kecil. Kami
kemudian menyempurnakan jenderal
pengetahuan tentang interpretasi gambar untuk menemukan biomarker baru untuk
dengan belajar dari domain- foto fundus penyakit ini.
OHTS tertentu. Analisis Statistik
Seperti yang telah dibahas
Model diuji menggunakan kumpulan data
sebelumnya, ketiga dataset memiliki jumlah
validasi silang 5 kali lipat (independen dari
foto fundus dari mata nonglaukoma
kumpulan data pelatihan) dan divalidasi
dibandingkan dengan mata glaukoma. Rata-
(diuji ulang) menggunakan set data yang
rata 9%, 3,1%, dan 2,9% dari fundus foto-
ditahan. Kinerja setiap model dinilai
foto dalam diagnosis, kumpulan data
menggunakan area di bawah kurva (AUC).
prediksi pertama, dan kedua berasal dari
Metode DeLong et al25 digunakan untuk
mata glaukoma. Untuk mengatasi
membandingkan AUC dari model yang
ketidakseimbangan kelas masalah, kami
berbeda. Semua statistic analisis dilakukan
melakukan augmentasi data dan menerapkan
di Python
data seimbang pengambilan sampel untuk
pembuatan batch. Kami melakukan
horizontal acak dan membalik vertikal, dan
rotasi, dan secara acak mengubah rona, satu-
ransum, dan kontras foto fundus
pelatihan. Setelah augmentasi, selama
pelatihan, jumlah foto yang sama dari kedua
kelas dipilih untuk setiap mini-
batch. Ukuran tumpukan 64 gambar, fungsi
kehilangan lintas-entropi, dan pengoptimal
Adam (dengan pengatur stokastik untuk
menghindari overfitting) dengan tetap
kecepatan pembelajaran 0,001 digunakan
untuk melatih model. Untuk lebih jauh
hindari overfitting, penurunan berat 0,0001
digunakan pada semua lapisan
model. Semua program diimplementasikan Gambar 4. Kurva karakteristik operasi penerima dari
dengan Python dengan file backend prediksi dan model diagnosis. Kurva hijau
PyTorch. memprediksi glaukoma 4 hingga 7 tahun sebelumnya
timbulnya penyakit, kurva merah memprediksi
glaukoma 1 hingga 3 tahun sebelumnya timbulnya
penyakit, dan kurva biru menunjukkan mendiagnosis
glaukoma pada atau setelah onset. Area AUC 1/4 di
Interpretasi Pembelajaran bawah kurva.
Mendalam Hasil
Untuk mengidentifikasi wilayah foto fundus Sekitar 24% dari foto fundus di OHTS
yang mendorong model pembelajaran dataset memiliki artefak ekstrem dan
mendalam untuk menetapkan gambar ke dikecualikan dari penelitian. Sebanyak 501
grup glaukoma atau nonglaucoma, kami mata miopik, didefinisikan sebagai setara
menggunakan aktivasi kelas berbobot bulat dari 1 diopter (D) atau lebih. Sebanyak
gradient maps.24 Peta aktivasi 195 mata memiliki miopia yang sama atau
menggunakan lapisan konvolusional akhir lebih buruk dari 3 D. Gambar 3
CNN untuk menghasilkan peta lokalisasi menunjukkan peta aktivasi diperoleh dari 3
kasar24 dari termasuk dalam foto fundus glaucomatous dan 3 gambar fundus normal
yang digunakan untuk diagnosis. Meskipun menggunakan model yang dilatih pada
peta aktivasi dapat digunakan untuk kumpulan data diagnosis. Seperti yang bisa
memvalidasi untuk memverifikasi wilayah terlihat, peta aktivasi mengkonfirmasi
yang relevan secara klinis dan menilai untuk bahwa cangkir optik dan pelek daerah
diagnosis, mereka juga dapat digunakan terpenting dalam foto-foto fundus input
mata tanpa glaukoma (Gbr 3A-C) dan mata
dengan glaucoma (Gbr 3G-I). Gambar 4
menunjukkan kurva karakteristik operasi
penerima 3 model pembelajaran mendalam
yang diuji ulang menggunakan subset
diagnosis, prediksi pertama, dan prediksi
kedua model, masing-masing. AUC dari
model pembelajaran mendalam untuk
membuat diagnosis adalah 0,945 (95%
interval kepercayaan [CI], 0,93e0,96). AUC
model pembelajaran mendalam pada yang
pertama dataset prediksi dan kumpulan data
prediksi kedua adalah 0,88 (95% CI,
0,86e0,91) dan 0,77 (95% CI, 0,75e0,78),
masing-masing. Untuk tugas diagnosis,
AUC ditingkatkan menjadi 0,97 (95% CI,
0.96e0.98) tentang tes ulang foto fundus
yang diberi label glaukoma karena GON.
Namun, seperti yang diharapkan, AUC
menurun menjadi 0,88 (95% CI, 0,86e0,89)
ketika kami menguji model pembelajaran
mendalam diagnostik menggunakan foto
fundus yang dilabeli sebagai
glaukomamatous karena bidang visual
abnormal tanpa Gon.
Diskusi
Tidak seperti dalam penelitian
sebelumnya dengan penekanan pada
diagnosis, kami mengusulkan model untuk
prediksi glaukoma sebelumnya timbul
penyakit. Model yang diusulkan
menunjukkan kinerja dalam memprediksi
perkembangan glaukoma 1-3 tahun dan 4
hingga 7 tahun sebelum penyakit timbul.
Ada
beberapa penelitian yang telah mengusulkan
pembelajaran mendalam untuk
mengidentifikasi glaukoma dari foto fundus.
Namun, semua metode ini berpusat di
sekitar diagnosis glaukoma dari fundus yang
telah dikumpulkan beberapa tahun setelah
timbulnya awal penyakit, sedangkan dalam
penelitian ini, kami menangani tugas yang
lebih menantang untuk memprediksi
glaucoma sebelum manifestasi tanda-tanda
klinis.
Fotografi Fundus menyediakan cara
yang lebih portabel untuk penyaringan
dalam populasi yang kurang terlayani oleh
nonfisikawan, sehingga meningkatkan akses
ke perawatan. Baru-baru ini, beberapa
pendekatan pembelajaran mendalam telah
diusulkan untuk mendeteksi glaukoma dari
foto fundus. Raghavendra et al11
mengembangkan model pembelajaran
mendalam terdiri dari 18 lapisan yang dilatih
dan diuji pada sekitar 1500 foto fundus dan
mampu mencapai akurasi 98% untuk
mendiagnosis glaukoma. The AUC dari
model pembelajaran mendalam 6 lapis untuk
glaucoma diagnosis yang diusulkan oleh
Xiangyu et al12 adalah 0,83 dan 0,88 pada 2
set data yang berbeda, masing-masing. Li
dkk13 menerapkan menggunakan arsitektur
Inception-v322 pada set data besar dengan
sekitar 40.000 fundus foto dan mencapai
AUC sekitar 0,99 dalam mendeteksi
glaukoma yang dapat dirujuk yang
didefinisikan berdasarkan GON. Christopher
dkk14 mengembangkan beberapa
pembelajaran mendalam arsitektur dan
menggunakan set data dengan sekitar 14.000
fundus dan mencapai AUC sebesar 0,91
mengidentifikasi mata GON. Nourizifard
dkk (Norouzifard M, dkk. Diagnosis
glaukoma otomatis menggunakan
pembelajaran transfer: proposal sistem untuk
pengujian klinis. Makalah yang
dipresentasikan pada: Konferensi
Internasional 2018 tentang Gambar dan
Vision Computing Selandia Baru (IVCNZ).
19-21 November 2018, Auckland, Selandia
Baru) mengembangkan beberapa model
pembelajaran mendalam dan kumpulan data
relatif kecil dengan total sekitar 500 fundus
foto dan mencapai akurasi 92%. Keakuratan
yang dilaporkan dari pembelajaran
mendalam sebelumnya model untuk
mendiagnosis glaukoma berkisar antara 0,83
hingga 0,98.
Kecuali untuk studi oleh Li et al13
dan Christopher et al,14 sisa studi
menggunakan kumpulan data yang relatif
kecil foto fundus. Oleh karena itu, sangat
menantang untuk mempublikasikan
kesimpulan mereka. Namun, kami telah
menggunakan 66 721 foto fundus untuk
model pelatihan dan pengujian
mengembangkan model yang kuat dan
menghasilkan Hasil. Selain kumpulan data
besar yang diperlukan untuk berhasil
mengembangkan model pembelajaran
mendalam, validasi langkah penting. Kami
telah menggunakan 3 langkah validasi:
crossvalidation, subset yang diadakan, dan
visualisasi yang menjanjikan fitur melalui
peta aktivasi. Oleh karena itu, model kami
kuat dan kemungkinan akan dimualisasi ke
data baru.
Meskipun AUC diagnostik model
kami adalah 0,94,akurasi diagnostik model
yang diusulkan oleh Raghavendra et al11
adalah 0,98 dan AUC diagnostik model
yang diusulkan oleh Li dkk adalah 0,99.
AUC yang lebih rendah dari model bisa
karena beberapa alasan. Pertama, fundus
foto-foto OHTS memiliki kualitas yang
lebih rendah dibandingkan dengan foto
fundus yang digunakan dalam studi lain.
Kedua sekitar 22% dari foto-foto fundus di
OHTS diberi label glaukoma karena
abnormitas bidang visual tanpa GON yang
jelas. Oleh karena itu, lebih menantang
untuk mengidentifikasi mata glaukoma
tanpa GON dari fundus Foto. Bahkan,
analisis tambahan kami menunjukkan bahwa
AUC akan meningkat menjadi 0,97 jika kita
hanya menggunakan fundus foto-foto yang
dilabeli sebagai glaukoma karena GON.
Studi kami menggunakan model
yang sepenuhnya otomatis untuk
mengidentifikasi
fitur yang diinduksi glaukoma yang
menjanjikan (tanda-tanda),
sedangkanbeberapa penelitian sebelumnya
menggunakan fitur rekayasa tangan semi-
objektif, 26,27 dan karenanya mengadopsi
aturan ad hoc. In faktanya, kami
menunjukkan bahwa dengan menggunakan
CNN yang sepenuhnya otomatis, AUC
sebesar 0,88 dapat dicapai untuk
memprediksi glaukoma 1-3 tahun sebelum
manifestasi tanda-tanda klinis.Meskipun ahli
manusia mungkin tidak mengidentifikasi
subklinis perubahan saraf optik, AUC 0,88
sorotan bahwa saraf optik telah melalui
perubahan halus sebelum manifestasi klinis
penyakit. Ini perubahan halus dapat
diidentifikasi oleh model pembelajaran
mendalam tetapi tidak oleh seorang ahli
manusia
Kumpulan data OHTS yang
digunakan dalam penelitian kami memiliki
beberapa Kekuatan: Peserta direkrut dari 22
pusat di Amerika Serikat, sehingga
mengurangi idiosyncrasies database lokal;
pusat membaca memiliki akses ke terlatih
dengan baik pembaca bersertifikat; data
dikumpulkan, dianotasikan, dan
disembuhkan sangat baik; timbulnya
penyakit dikonfirmasi oleh gambar berulang
dan pengumpulan data; dan komite titik
akhir lebih lanjut penyakit yang
dikonfirmasi timbul berdasarkan pedoman.
Namun demikian itu memiliki beberapa
keterbatasan juga. Satu keterbatasan adalah
miskin kualitas foto yang dipindai dari optik
yang didokumentasikan cetakan saraf.
Namun, bahkan di hadapan orang miskin
kualitas dan variabilitas tinggi, AUC
diagnostik adalah 0,94, yang menjanjikan.
Batasan lainnya adalah semakin kecil
jumlah mata dengan mata glaukoma
dibandingkan dengan mata nonglaucoma.
Namun, ini adalah masalah umum dalam
banyak domain perawatan kesehatan dan
tidak spesifik untuk penelitian ini. Untuk
mengatasi masalah ini, kami menggunakan
model pembelajaran mendalam dengan
jumlah parameter yang relatif kecil, data
yang dilakukan augmentasi, dan melakukan
pengambilan sampel data untuk pembuatan
batch. Batasan lain adalah bahwa kumpulan
data OHTS dikumpulkan dari uji klinis
terbatas dan mata dengan IOP yang
ditinggikan, dan karenanya tidak mewakili
populasi dan pengaturan nyata. Selain itu,
hanya foto fundus yang digunakan untuk
memprediksi glaukoma, sedangkan beberapa
faktor risiko lainnya dapat berkontribusi
pada glaukoma. Karenanya studi masa
depan dengan kumpulan data independen
dari klinik mata termasuk faktor risiko
glaukoma lainnya dapat memverifikasi lebih
lanjut model yang diusulkan.
Kesimpulannya, terlepas dari
keterbatasan, studi kami menunjukkan
bahwa model pembelajaran mendalam
cukup sensitif terhadap memprediksi mata
yang akan dikonversi menjadi glaukoma
dari baseline Gambar. Penelitian ini adalah
contoh seberapa mendalam pembelajaran
model dapat memungkinkan kita untuk
memprediksi tanda-tanda praklinis penyakit,
yang dapat melengkapi medis lain yang
secara rutin diperoleh Pemeriksaan. Metode-
metode ini dapat membuka era baru di
mengembangkan model pembelajaran
mendalam untuk memprediksi glaucoma
lebih akurat dan penyakit mata membutakan
lainnya dengan baik ditimbulnya penyakit
untuk mengidentifikasi Populasi. Studi kami
juga dapat mengidentifikasi tanda tangan
yang sebelumnya tidak diketahui dari
perkembangan penyakit.