Федеративное обучение для сегментации микрососудистой сети и классификации диабетической ретинопатии, требующей направления к специалисту, по данным ОКТ

Цель: Оценить эффективность федеративного обучения для сегментации микрососудистой сети сетчатки с помощью глубоких нейронных сетей и классификации диабетической ретинопатии, требующей направления к специалисту (RDR), по данным оптической когерентной томографии (ОКТ) и ОКТ-ангиографии (ОКТА).

Дизайн: Ретроспективный анализ клинических сканов ОКТ и ОКТА контрольных участников и пациентов с сахарным диабетом.

Участники: Для сегментации микрососудистой сети использовали 153 плоскостных изображения ОКТА (en face), полученных на четырёх томографах с полем обзора от 2 × 2 до 6 × 6 мм. Для классификации RDR использовали изображения ОКТА en face и проекции структурных данных ОКТ 700 глаз, полученные на двух коммерческих системах ОКТ.

Методы: Изображения ОКТ-ангиографии для сегментации микрососудистой сети размечали вручную; разметку проверяли специалисты по заболеваниям сетчатки. Тяжесть диабетической ретинопатии оценивали врачи-офтальмологи и разделяли на два класса: RDR и отсутствие RDR. Работу федеративного обучения для сегментации микрососудистой сети оценили в симуляции с четырьмя клиентами и сравнили с другими методами совместного обучения. Затем федеративное обучение применили для классификации RDR на данных нескольких учреждений. Результаты сравнили с результатами моделей, обученных и протестированных на данных одного учреждения (внутренние модели) и разных учреждений (внешние модели).

Основные оцениваемые показатели: Для сегментации микрососудистой сети оценивали точность и коэффициент сходства Дайса (DSC). Для классификации тяжести заболевания оценивали точность, площадь под ROC-кривой (AUROC), площадь под кривой «точность–полнота», сбалансированную точность, F1-меру, чувствительность и специфичность.

Результаты: В обеих задачах федеративное обучение обеспечило результаты, сопоставимые с внутренними моделями. При сегментации микрососудистой сети средний DSC федеративной модели по всем тестовым наборам составил 0,793, а моделей, обученных на полностью централизованном наборе данных, — 0,807. При классификации RDR средний AUROC федеративных моделей составил 0,954 и 0,960, а внутренних моделей — 0,956 и 0,973. Аналогичные результаты получены и по другим рассчитанным показателям.

Выводы: В задачах сегментации и классификации федеративное обучение обеспечило результаты, сопоставимые с традиционным глубоким обучением, при сохранении конфиденциальности данных. Показатели оценки указывают на потенциал совместного обучения для расширения разнообразия доменов и повышения обобщающей способности моделей классификации данных ОКТ.