ディープラーニングを用いた3D非セグメンテッド光学コヒーレンストモグラフィーと関連した視神経縮状態
David Szanto1, Jui-Kai Wang2, Brian Woods3,4
1Department of Ophthalmology, Icahn School of Medicine at Mount Sinai, New York.
JAMA ophthalmology
|August 21, 2025
まとめ
3D ディープラーニングモデルは,OCT スキャンを用いて,光神経の頭部縮,NAION,光神経炎を正確に区別します. この自動化されたアプローチは,光神経病の診断と臨床管理を助けます.
科学分野:
- 眼科について
- 医療用イメージング
- 人工知能
背景:
- 視神経頭部 (ONH) の精密な分化は,緑内障,非動脈前側性視神経症 (NAION),視神経炎などの疾患の診断と管理に不可欠です.
- 伝統的な2D評価では,光学縮を示す微妙な体積の変化を見逃すことがあります.
研究 の 目的:
- 3D ディープラーニングモデルの光学縮をグラウコマ,NAION,光神経炎,および健康な眼を非セグメント型ONH光学相関性トモグラフィー (OCT) スキャンで識別する能力を評価する.
主な方法:
- 1382人の患者 (グラウコマ,NAION,視神経炎,健康な対照群) の7014人のCirrus ONH OCTスキャンを分析した.
- 3つのResNet- 3D- 18モデルが5倍クロス検証で訓練された.全体積,PPRのみ,およびONHのみ.
- 性能は,分類精度,AUC-ROC,精度,リコール,F1スコアを用いて評価された.
主要な成果:
- 全体積モデルでは,精度88. 9% (AUC-ROC,0. 977) を達成し,F1スコアは0. 78 (光神経炎) から0. 94 (光眼腫) までであった.
- PPRのみとONHのみのモデルは,わずかに低い精度を示した (それぞれ85. 9%と87. 0%).
- 視神経炎は分類するのが最も困難で,しばしばNAIONまたは健康として誤って分類されます. アクティベーションマップでは 特定の網膜層が強調されています
結論:
- 非分割されたOCTスキャンによるディープラーニング分析により,異なる形態の視神経縮を確実に区別し,微妙な疾患特有の構造パターンを特定できます.
- この自動化されたアプローチは,視神経病の診断と臨床管理を支援することができます.
- 標準化されていないイメージング方法と主観的な臨床評価を補完する可能性があります.
