За пределами показателей эффективности: автоматизированный анализ ОКТ сетчатки с помощью глубокого обучения воспроизводит результат клинического исследования

Цель: Оценить эффективность полностью автоматического алгоритма сегментации на основе глубокого обучения не только по стандартным показателям качества, но и по первичной конечной точке клинического исследования макулярной телеангиэктазии 2-го типа (MacTel2).

Дизайн: Оценка диагностического теста или технологии.

Участники: 92 глаза 62 участников с MacTel2, включённых в клиническое исследование фазы 2 (NCT01949324) и рандомизированных в одну из двух групп лечения.

Методы: Полностью автоматический алгоритм сегментации на основе глубокого обучения измерял площадь дефекта эллипсоидной зоны (ЭЗ) на снимках спектральной ОКТ каждого глаза в двух временных точках — исходно и через 24 месяца. Изменение площади дефекта ЭЗ относительно исходного уровня рассчитывали и анализировали согласно протоколу клинического исследования.

Основной оцениваемый показатель: Различие между группами лечения в изменении площади дефекта ЭЗ от исходного уровня до 24-го месяца.

Результаты: Различие между группами в изменении площади дефекта ЭЗ от исходного уровня до 24-го месяца, измеренное полностью автоматическим алгоритмом сегментации, составило 0,072 ± 0,035 мм (P = 0,021). Этот результат был сопоставим с результатом клинического исследования, полученным при полуавтоматических измерениях экспертами: 0,065 ± 0,033 мм (P = 0,025) [22].

Выводы: По точности оценки площади дефекта ЭЗ полностью автоматический алгоритм сегментации не уступал полуавтоматической сегментации экспертами и надёжно воспроизвёл статистически значимый результат по первичной конечной точке клинического исследования. Проверка алгоритма автоматической сегментации на первичной конечной точке клинического исследования позволяет надёжно оценить его применимость в клинической практике.