Выявление глаукомы по фотографиям глазного дна с помощью глубокого обучения без свёрточных операций: трансформер для повышения обобщающей способности

Цель: Сравнить диагностическую точность и объяснимость моделей глубокого обучения на основе визуального трансформера — Data-efficient image Transformer (DeiT) — и ResNet-50. Модели обучали на фотографиях глазного дна из исследования Ocular Hypertension Treatment Study (OHTS), чтобы выявлять первичную открытоугольную глаукому (ПОУГ) и определять наиболее значимые для принятия решения каждой моделью участки снимков.

Дизайн: Оценка диагностической технологии.

Участники и контрольная группа: Всего использовали 66 715 снимков 1636 участников OHTS и ещё пять внешних наборов данных, включавших 16 137 снимков глаз без глаукомы и с глаукомой.

Методы: Модели Data-efficient image Transformer обучали распознавать пять эталонных вариантов классификации ПОУГ в OHTS: диагноз ПОУГ, установленный комитетом по конечным точкам OHTS на основании изменений диска зрительного нерва (модель 1), изменений поля зрения (модель 2) или изменений диска либо поля зрения (модель 3), а также диагнозы, установленные Центром чтения на основании изменений диска (модель 4) и полей зрения (модель 5). Наилучшие модели DeiT сравнивали с моделями ResNet-50 на данных OHTS и пяти внешних наборах данных.

Основные оцениваемые показатели: Диагностическую эффективность сравнивали по площади под ROC-кривой (AUROC) и чувствительности при заданных значениях специфичности. Объяснимость моделей DeiT и ResNet-50 сравнивали, оценивая карты внимания, непосредственно полученные для DeiT, и три метода построения карт активации классов с градиентным взвешиванием.

Результаты: По сравнению с наиболее эффективными моделями ResNet-50 модели DeiT показали сопоставимые результаты на тестовых выборках OHTS для всех пяти эталонных вариантов классификации ПОУГ: AUROC составляла от 0,82 (модель 5) до 0,91 (модель 1). На всех пяти внешних наборах данных AUROC для Data-efficient image Transformer была выше, чем для ResNet-50. Например, для основной конечной точки OHTS (модель 3) AUROC моделей DeiT была на 0,08–0,20 выше, чем у моделей ResNet-50. Карты значимости DeiT выделяли локальные участки нейроретинального пояска, что указывает на важность его особенностей для классификации. У моделей ResNet-50 те же карты показывали более диффузное распределение вокруг диска зрительного нерва.

Выводы: Визуальные трансформеры способны повысить обобщающую способность и объяснимость моделей глубокого обучения для выявления заболеваний глаз и, возможно, других состояний, при диагностике и лечении которых используют методы визуализации.