Мультимодальное глубокое обучение со слиянием признаков для выявления активности хориоидальной неоваскуляризации при возрастной макулярной дегенерации

Цель: Определить эффективность мультимодальной модели глубокого обучения, использующей изображения оптической когерентной томографии (ОКТ) и оптической когерентной томографии-ангиографии (ОКТА), для оценки хориоидальной неоваскуляризации (ХНВ) при неоваскулярной возрастной макулярной дегенерации (ВМД).

Методы: Ретроспективное поперечное многоцентровое исследование проводили у пациентов старше 50 лет с диагнозом типичной неоваскулярной ВМД. Были собраны данные ОКТ и ОКТА для одного внутреннего и двух внешних наборов данных. Разработана модель глубокого обучения с использованием нового метода слияния признаков (FLF) для объединения мультимодальных данных. Результаты сравнивали с результатами оценки офтальмолога. Лучшую модель протестировали на двух внешних наборах данных для оценки возможности её клинического применения.

Результаты: На внутреннем наборе данных лучшая модель при использовании мультимодальных данных достигла точности 95,5% и площади под ROC-кривой (AUC) 0,9796, что сопоставимо с результатами специалистов по заболеваниям сетчатки. Для набора данных Нинбо точность модели составила 100,00%, AUC — 1,0; для набора данных Цзиньхуа эти показатели составили соответственно 90,48% и 0,9727.

Выводы: Метод FLF является осуществимым и высокоточным и может повысить эффективность существующих систем автоматизированной диагностики. Двухмодальная система автоматизированной диагностики (CADx) для автоматического выявления активности ХНВ представляет собой точный и перспективный инструмент для применения в общественном здравоохранении.