ディープラーニングアプローチは、OCT視神経ヘッドの顔画像と網膜神経繊維層の厚さマップによる緑内障の視野損傷を予測する

目的：緑内障のある視野損傷（GVFD）の有無にかかわらず目を区別するための深い学習システムを開発および評価し、スペクトルドメインOCT（SD OCT）視神経ヘッド画像からのGFVDの重症度を予測します。 設計：診断技術の評価。 参加者：GVFD（1909 Eyes）を持つまたは伴わない1194人の参加者から収集された合計9765視野（VF）SD OCTペア。 方法：SD OCT網膜神経線維層（RNFL）の厚さマップ、RNFL FACE画像、および共焦点スキャンレーザー眼鏡（CSLO）画像を使用するために、GVFDとの眼を特定し、定量的VF平均偏差（MD）を予測するために、深い学習モデルを訓練しました。パターン標準偏差（PSD）、およびSD OCTデータからの平均VFセクターパターン偏差（PD）。 主なアウトカム測定：ディープラーニングモデルを、曲線（AUC）、感度、および特異性の下の面積を使用してGVFDを識別するための平均RNFL厚さと比較されました。MD、PSD、および平均セクターPDを予測するために、モデルはR2および平均絶対誤差（MAE）を使用して評価されました。 結果：独立したテストデータセットでは、RNFL ENフェイス画像に基づくディープラーニングモデルは、GVFDとの目を識別するために0.88、軽度のGVFDを有意に検出するために0.82のAUCを達成しました（P <0.001）平均RNFL厚さ測定を使用するよりも優れています（AUC = AUC =それぞれ0.82と0.73）。ディープラーニングモデルは、すべての定量的VFメトリックを予測する際に標準のRNFL厚さ測定を上回りました。MDの予測において、RNFL厚さ測定では0.45および3.7 dBと比較して、RNFL ENフェイス画像に基づく深部学習モデルが0.70のR2と2.5デシベル（DB）のMAEを達成しました。平均VFセクターPDの予測において、深部学習モデルは、下鼻腔（R2 = 0.60）および上鼻腔（R2 = 0.67）セクターで高精度を達成し、下位（R2 = 0.26）および上（R2 = 0.35）セクターの中程度の精度、中央（R2 = 0.15）および時間（R2 = 0.12）セクターの精度が低い。 結論：ディープラーニングモデルは、GFVDとの目を特定し、SD OCT画像からの機能的損失の重症度を予測する上で高精度がありました。Accurately predicting the severity of GFVD from SD OCT imaging can help clinicians more effectively individualize the frequency of VF testing to the individual patient.

PURPOSE: To develop and evaluate a deep learning system for differentiating between eyes with and without glaucomatous visual field damage (GVFD) and predicting the severity of GFVD from spectral domain OCT (SD OCT) optic nerve head images. DESIGN: Evaluation of a diagnostic technology. PARTICIPANTS: A total of 9765 visual field (VF) SD OCT pairs collected from 1194 participants with and without GVFD (1909 eyes). METHODS: Deep learning models were trained to use SD OCT retinal nerve fiber layer (RNFL) thickness maps, RNFL en face images, and confocal scanning laser ophthalmoscopy (CSLO) images to identify eyes with GVFD and predict quantitative VF mean deviation (MD), pattern standard deviation (PSD), and mean VF sectoral pattern deviation (PD) from SD OCT data. MAIN OUTCOME MEASURES: Deep learning models were compared with mean RNFL thickness for identifying GVFD using area under the curve (AUC), sensitivity, and specificity. For predicting MD, PSD, and mean sectoral PD, models were evaluated using R2 and mean absolute error (MAE). RESULTS: In the independent test dataset, the deep learning models based on RNFL en face images achieved an AUC of 0.88 for identifying eyes with GVFD and 0.82 for detecting mild GVFD significantly (P < 0.001) better than using mean RNFL thickness measurements (AUC = 0.82 and 0.73, respectively). Deep learning models outperformed standard RNFL thickness measurements in predicting all quantitative VF metrics. In predicting MD, deep learning models based on RNFL en face images achieved an R2 of 0.70 and MAE of 2.5 decibels (dB) compared with 0.45 and 3.7 dB for RNFL thickness measurements. In predicting mean VF sectoral PD, deep learning models achieved high accuracy in the inferior nasal (R2 = 0.60) and superior nasal (R2 = 0.67) sectors, moderate accuracy in inferior (R2 = 0.26) and superior (R2 = 0.35) sectors, and lower accuracy in the central (R2 = 0.15) and temporal (R2 = 0.12) sectors. CONCLUSIONS: Deep learning models had high accuracy in identifying eyes with GFVD and predicting the severity of functional loss from SD OCT images. Accurately predicting the severity of GFVD from SD OCT imaging can help clinicians more effectively individualize the frequency of VF testing to the individual patient.