Глубокое обучение эффективно для классификации изображений ОКТ при норме и возрастной макулярной дегенерации

Цель: Появление электронных медицинских карт (ЭМК) с крупными базами данных медицинских изображений и развитие глубоких нейронных сетей с машинным обучением создали уникальные возможности для автоматизированного анализа изображений. Оптическая когерентная томография (ОКТ) — наиболее часто используемый в офтальмологии метод визуализации; в сочетании с метками, полученными из ЭМК, она представляет собой большой и информативный массив данных. Мы оценили возможность применения глубокого обучения для различения нормальных изображений ОКТ и изображений пациентов с возрастной макулярной дегенерацией (ВМД).

Дизайн: Исследование базы данных ЭМК и ОКТ.

Участники: Пациенты без патологии и пациенты с ВМД, которым выполняли ОКТ макулы.

Методы: Автоматически сформированную базу данных изображений ОКТ связали с клиническими конечными точками, извлечёнными из ЭМК. Сканирование макулы методом ОКТ выполняли на приборе Heidelberg Spectralis; каждый снимок ОКТ связывали с клиническими конечными точками, извлечёнными из системы EPIC. Из каждого исследования ОКТ у пациентов двух когорт — без патологии и с ВМД — отбирали 11 центральных изображений. Кросс-валидацию выполняли на случайной подвыборке пациентов. ROC-кривые строили на уровне отдельных изображений, макулы и пациента.

Основной показатель исхода: Площадь под ROC-кривой.

Результаты: Из недавно сформированной выборки, включавшей 2,6 млн изображений ОКТ, связанных с клиническими данными из ЭМК, были отобраны 52 690 изображений макулы пациентов без патологии и 48 312 изображений макулы пациентов с ВМД. Для классификации изображений как нормальных или соответствующих ВМД обучили глубокую нейронную сеть. На уровне отдельных изображений площадь под ROC-кривой составила 92,78%, точность — 87,63%. На уровне макулы эти показатели составили 93,83 и 88,98% соответственно. На уровне пациента площадь под ROC-кривой достигла 97,45%, а точность — 93,45%. При оптимальных пороговых значениях максимальные чувствительность и специфичность составили 92,64 и 93,69% соответственно.

Выводы: Методы глубокого обучения обеспечивают высокую точность и эффективны для классификации изображений. Эти результаты имеют важное значение для автоматизированного скрининга с использованием ОКТ и разработки компьютерных систем поддержки диагностики в будущем.