スペクトルドメインの光学コヒーレンス断層撮影による緑内障視神経球菌の検出：レトロスペクティブトレーニングと検証ディープラーニング分析

背景：スペクトルドメイン光コヒーレンス断層撮影（SDOCT）を使用して緑内障の視神経障害を検出できますが、SDOCTの解釈における人間の専門知識は限られています。SDOCTボリュームを使用して緑内障の視神経障害を検出する3次元（3D）の深部学習システムを開発および検証することを目指しました。 方法：トレーニング用の4877 SDOCTボリュームの光学ディスクキューブ（60％）、テスト（20％）、および香港アイスセンター（香港、中国香港）および香港目病院（中国の香港）の電子医療および研究記録からの主要な検証（20％）を含むデータセットを遡及的に収集しました。残留ネットワークを使用して、3Dディープラーニングシステムを構築しました。それぞれ546、267、および1231のSDOCTボリュームを含む3つの独立したデータセット（香港から2つ、もう1つは米国カリフォルニア州スタンフォードから1つ）を使用して、深部学習システムの外部検証に使用されました。ポジション相関視野欠損を伴う信頼できるSDOCT画像の網膜神経繊維層の薄くなる基準に従って、ボリュームは緑内障視神経球菌を有するとラベル付けされました。定性的評価のためにヒートマップが生成されました。 調査結果：1 384 200からの6921 SDOCTボリュームが研究されました。3Dディープラーニングシステムには、0.969（95％CI 0.960-0・976）の受信機操作特性曲線（AUROC）の下の面積があり、89％（95％CI 83-93）、96％（92-99）の特異性（92-99）の特異性、89-93）の精度（89-93）En Face Fundus Images（Auroc 0・921 [0・905-0・937]; p <0・0001）で訓練された深い学習システム。3Dディープラーニングシステムは、外部検証データセットで同様に実行され、0.893-0・897のAUROCS、78-90％の感度、79-86％の特異性、80-86％の精度がありました。緑内障視神経障害のヒートマップは、緑内障の視神経障害の検出に使用される3D深部学習システムによる学習された特徴が、臨床医が使用したものと類似していることを示した。 解釈：提案されている3Dディープラーニングシステムは、一次検証と外部検証の両方で緑内障の視神経障害の検出においてうまく機能しました。緑内障スクリーニングのための人工知能ベースのモデルの取り込みの漸進的な費用対効果を推定するには、さらなる前向き研究が必要です。 資金調達：香港研究助成金評議会。

BACKGROUND: Spectral-domain optical coherence tomography (SDOCT) can be used to detect glaucomatous optic neuropathy, but human expertise in interpretation of SDOCT is limited. We aimed to develop and validate a three-dimensional (3D) deep-learning system using SDOCT volumes to detect glaucomatous optic neuropathy. METHODS: We retrospectively collected a dataset including 4877 SDOCT volumes of optic disc cube for training (60%), testing (20%), and primary validation (20%) from electronic medical and research records at the Chinese University of Hong Kong Eye Centre (Hong Kong, China) and the Hong Kong Eye Hospital (Hong Kong, China). Residual network was used to build the 3D deep-learning system. Three independent datasets (two from Hong Kong and one from Stanford, CA, USA), including 546, 267, and 1231 SDOCT volumes, respectively, were used for external validation of the deep-learning system. Volumes were labelled as having or not having glaucomatous optic neuropathy according to the criteria of retinal nerve fibre layer thinning on reliable SDOCT images with position-correlated visual field defect. Heatmaps were generated for qualitative assessments. FINDINGS: 6921 SDOCT volumes from 1 384 200 two-dimensional cross-sectional scans were studied. The 3D deep-learning system had an area under the receiver operation characteristics curve (AUROC) of 0·969 (95% CI 0·960-0·976), sensitivity of 89% (95% CI 83-93), specificity of 96% (92-99), and accuracy of 91% (89-93) in the primary validation, outperforming a two-dimensional deep-learning system that was trained on en face fundus images (AUROC 0·921 [0·905-0·937]; p<0·0001). The 3D deep-learning system performed similarly in the external validation datasets, with AUROCs of 0·893-0·897, sensitivities of 78-90%, specificities of 79-86%, and accuracies of 80-86%. The heatmaps of glaucomatous optic neuropathy showed that the learned features by the 3D deep-learning system used for detection of glaucomatous optic neuropathy were similar to those used by clinicians. INTERPRETATION: The proposed 3D deep-learning system performed well in detection of glaucomatous optic neuropathy in both primary and external validations. Further prospective studies are needed to estimate the incremental cost-effectiveness of incorporation of an artificial intelligence-based model for glaucoma screening. FUNDING: Hong Kong Research Grants Council.