網膜の双屈なスキャンを使用した小児ビジョンスクリーナーの人工ニューラルネットワークによる中央固定の検出

背景：中心固定と眼の整列の信頼できる検出は、盲目につながる可能性のあるmblyopia（「怠zy目」）の診断に不可欠です。私たちの研究室は、前に中心窩周辺の網膜のスキャンを実行し、スキャンが進むにつれて光の偏光状態の変化を分析する小児ビジョンスクリーナーを開発および報告しました。視線の方向と機器の設計に応じて、スクリーナーは、中央固定の検出で利用できるいくつかの信号周波数を生成します。この研究の目的は、中心固定を確実に検出する能力に関して、人工ニューラルネットワークを古典的な統計的方法と比較することでした。 方法：1つの隠れ層と1つの出力層で構成される、古典的なフィードフォワード、パターン認識、2層ニューラルネットワークアーキテクチャが使用されました。ネットワークには4つの入力があり、網膜の燃焼スキャン中に生成された4つの信号周波数で正規化されたスペクトルパワーを表します。隠された層には4つのニューロンが含まれています。出力は、中心固定の有無を示唆しています。バックプロパゲーションを使用して、パフォーマンス関数として勾配降下アルゴリズムとクロスエントロピーエラーを使用して、ネットワークをトレーニングしました。ネットワークは、以前の研究で10眼から600の測定値から得られた一連の制御されたキャリブレーションデータでトレーニング、検証、テストされ、さらに眼科医によって独立して診断された78眼の臨床セットでさらにテストされました。 結果：この研究の最初の部分では、キャリブレーションセットを中心にニューラルネットワークが設計されました。適切なアーキテクチャとトレーニングにより、ネットワークは古典的な統計的手法に匹敵するパフォーマンスを提供し、中央と傍中心部の固定データを完全に分離することができ、機器の感度と特異性の両方が100％です。研究の第2部では、ニューラルネットワークが臨床データに適用されました。通常の被験者と影響を受ける被験者の間の信頼できる分離を可能にし、統計的方法の精度に再び一致させました。 結論：ニューラルネットワークアーキテクチャを適切に選択し、優れた、染色されていないトレーニングデータセットを使用すると、人工ニューラルネットワークは、網膜の双屈性スキャンに基づく中央固定を検出するための効率的な分類ツールになります。

BACKGROUND: Reliable detection of central fixation and eye alignment is essential in the diagnosis of amblyopia ("lazy eye"), which can lead to blindness. Our lab has developed and reported earlier a pediatric vision screener that performs scanning of the retina around the fovea and analyzes changes in the polarization state of light as the scan progresses. Depending on the direction of gaze and the instrument design, the screener produces several signal frequencies that can be utilized in the detection of central fixation. The objective of this study was to compare artificial neural networks with classical statistical methods, with respect to their ability to detect central fixation reliably. METHODS: A classical feedforward, pattern recognition, two-layer neural network architecture was used, consisting of one hidden layer and one output layer. The network has four inputs, representing normalized spectral powers at four signal frequencies generated during retinal birefringence scanning. The hidden layer contains four neurons. The output suggests presence or absence of central fixation. Backpropagation was used to train the network, using the gradient descent algorithm and the cross-entropy error as the performance function. The network was trained, validated and tested on a set of controlled calibration data obtained from 600 measurements from ten eyes in a previous study, and was additionally tested on a clinical set of 78 eyes, independently diagnosed by an ophthalmologist. RESULTS: In the first part of this study, a neural network was designed around the calibration set. With a proper architecture and training, the network provided performance that was comparable to classical statistical methods, allowing perfect separation between the central and paracentral fixation data, with both the sensitivity and the specificity of the instrument being 100%. In the second part of the study, the neural network was applied to the clinical data. It allowed reliable separation between normal subjects and affected subjects, its accuracy again matching that of the statistical methods. CONCLUSION: With a proper choice of a neural network architecture and a good, uncontaminated training data set, the artificial neural network can be an efficient classification tool for detecting central fixation based on retinal birefringence scanning.