網膜円孔および嚢胞のOCTセグメンテーションにおける説明可能性の定量化：SHAPベースのカバレッジおよび要因寄与分析

科学分野:

• 眼科学;医用画像処理;人工知能

背景:

• 光干渉断層撮影（OCT）は、網膜円孔（MH）の形態および寸法の定量化に不可欠であり、診断および治療計画に役立ちます。;効果的な臨床管理のためには、OCTボリュームにおけるMHおよび関連嚢胞の正確なセグメンテーションが不可欠です。

研究 の 目的:

• OCT網膜ボリュームにおける網膜円孔（MH）および嚢胞の自動セグメンテーションのための深層学習モデルを開発および評価すること。;フォーカス領域とGradientSHAPベースの説明可能性を使用して、モデルの決定信頼性を定量的に評価すること。

主な方法:

• OIMHS OCTデータセットにおけるMHおよび嚢胞のセグメンテーションのために、2.5Dスタッキング戦略を備えたUNet-48ベースの深層学習モデルを採用しました。;性能は、Dice、IoU（交差過一致率）、Hausdorff距離（HD95）、および期待キャリブレーション誤差（ECE）を使用して評価されました。;GradientSHAPは、説明可能性のために利用され、病変カバレッジ（APILτ、ARILτ）と空間的焦点（COM-dist）を定量化しました。

主要な成果:

• モデルは、MHに対して0.94/0.91、嚢胞に対して0.87/0.81のDice/IoU値で高いセグメンテーション性能を達成しました。;優れた境界精度（HD95 = 6 px）とキャリブレーション（ECE = 0.008）が病変クラス全体で実証されました。;GradientSHAP分析により、異なる説明領域（網膜優位、病変周囲、狭いカバレッジ）が明らかになり、予測モードでの一致が改善されました。

結論:

• 深層学習モデルは、OCT画像におけるMHおよび嚢胞のセグメンテーションにおいて高い精度と良好なキャリブレーションを示しました。;GradientSHAPを使用した定量的説明可能性は、モデルのセグメンテーション結果を検証し、その意思決定プロセスに関する洞察を提供します。;病変周囲および狭いカバレッジのシナリオでは注意深い臨床解釈が必要であり、説明可能性が困難な症例の特定に役立つことが強調されています。