Машинное обучение для анализа прогностической ценности современных биомаркеров визуализации при неоваскулярной возрастной макулярной дегенерации

Цель: Оценить возможности машинного обучения для прогнозирования исходов максимально корригированной остроты зрения (МКОЗ) по данным структурных и функциональных исследований, выполненных в начальной фазе лечения пациентов с неоваскулярной возрастной макулярной дегенерацией (ВМД), получающих стандартизированную терапию ранибизумабом.

Дизайн: Ретроспективный анализ данных рандомизированного проспективного клинического исследования.

Участники: Данные 614 пациентов, подлежавших оценке, которые получали интравитреальный ранибизумаб ежемесячно или по потребности в соответствии с критериями протокола исследования HARBOR.

Методы: Ежемесячные объёмные сканы, полученные методом спектральной оптической когерентной томографии (SD-OCT), обрабатывали с помощью валидированной полностью автоматизированной системы компьютерного анализа изображений. Система выполняет пространственно разрешённую трёхмерную сегментацию слоёв сетчатки, кистозной интраретинальной жидкости (IRF), субретинальной жидкости (SRF) и отслоек пигментного эпителия (PED). Извлечённые количественные биомаркеры ОКТ и измерения МКОЗ на исходном уровне и через 1, 2 и 3 месяца использовали для прогнозирования МКОЗ через 12 месяцев с помощью метода случайного леса. Этот же подход применяли для оценки связи между морфологией по данным ОКТ и МКОЗ на исходном уровне (структурно-функциональная корреляция).

Основные оцениваемые показатели: Точность (R) прогностических моделей; ранжирование исходных переменных.2

Результаты: Компьютерный анализ изображений обеспечил полностью автоматизированную количественную характеристику неоваскулярных поражений в крупном массиве клинических данных SD-OCT. На исходном уровне корреляция между признаками ОКТ и МКОЗ была слабой (R = 0,21). Наиболее значимым биомаркером МКОЗ оказалась горизонтальная протяжённость IRF в фовеальной области, тогда как SRF и PED заняли низкие позиции в ранжировании. При прогнозировании функциональных исходов точность модели линейно повышалась с каждым месяцем. При учёте только исходного визита точность составляла R = 0,34. Через 3 месяца конечную остроту зрения можно было предсказать с точностью R = 0,70. Наиболее сильным прогностическим фактором функциональных исходов через 1 год неизменно оставался индивидуальный уровень МКОЗ в начальной фазе лечения.222

Выводы: В этом крупном исследовании, основанном на широком спектре морфологических и функциональных признаков, исходная МКОЗ лишь умеренно коррелировала с исходными показателями SD-OCT, тогда как функциональные исходы определялись уровнями МКОЗ в начальной фазе лечения; влияние связанных с жидкостью признаков было небольшим. Эти результаты указывают на необходимость пересмотра современных диагностических признаков, получаемых при визуализации, и поиска новых методов визуализации, для чего машинное обучение может стать перспективным инструментом.