加齢黄斑変性検出のための眼科基盤モデル

科学分野:

• 眼科学
• コンピュータビジョン
• 人工知能

背景:

• 自己教師あり学習（SSL）により、Vision Transformer（ViT）は堅牢な画像表現を学習できます。
• 網膜画像における基盤モデルは有望ですが、ドメイン内事前学習の必要性は不明確です。
• 加齢黄斑変性（AMD）の検出は、デジタル網膜画像（DFI）において重要です。

研究 の 目的:

• DFIにおけるAMD検出のためのSSL事前学習済みViTのベンチマーク。
• 自然画像とドメイン固有データで事前学習されたモデルの汎化能力の評価。
• AMD検出におけるドメイン内事前学習の必要性の調査。

主な方法:

• 7つのDFIデータセット（70,000枚の画像）で6つのSSL事前学習済みViTをベンチマーク。
• 中等度から重度のAMD検出におけるモデル性能の評価。
• 自然画像事前学習とドメイン固有事前学習の分布外汎化性能の比較。

主要な成果:

• 自然画像で事前学習されたiBOTは、優れた分布外汎化性能（AUROC 0.80-0.97）を達成しました。
• 自然画像事前学習は、ドメイン固有モデル（AUROC 0.78-0.96）および事前学習なしベースライン（AUROC 0.68-0.91）を上回りました。
• 基盤モデルは、AMD検出精度を大幅に向上させます。

結論:

• ViTの自然画像事前学習はAMD検出に非常に効果的であり、ドメイン内事前学習の必要性に疑問を投げかけます。
• 基盤モデルは、DFIにおけるAMD検出の強化に大きな価値を提供します。
• 本研究では、AMD研究のための新しいオープンアクセスデータセットであるBRAMDを紹介します。