Самообучение для повышения точности выявления макулярной телеангиэктазии 2-го типа при оптической когерентной томографии

Значимость: Для анализа изображений с помощью глубокого обучения часто требуются большие размеченные наборы данных, которые трудно получить при редких заболеваниях.

Цель: Разработать метод самообучения для автоматической классификации макулярной телеангиэктазии 2-го типа (MacTel) по данным оптической когерентной томографии (ОКТ) при ограниченном объёме размеченных данных.

Дизайн, место проведения и участники: Ретроспективное сравнительное исследование. Изображения ОКТ за период с мая 2014 года по май 2019 года были собраны Институтом медицинских исследований Лоуи (Ла-Хойя, Калифорния), а за период с января 2016 года по октябрь 2022 года — Вашингтонским университетом (Сиэтл). Клинический диагноз у пациентов с MacTel и без неё подтверждали специалисты по заболеваниям сетчатки. Данные анализировали с января по сентябрь 2023 года.

Исследуемые методы: Две свёрточные нейронные сети предварительно обучили на неразмеченных данных с помощью алгоритма Bootstrap Your Own Latent, а затем дообучили на размеченных данных для выявления MacTel (метод самообучения). Модели ResNet18 и ResNet50 также обучили на всех размеченных данных (метод обучения с учителем).

Основные оцениваемые показатели: Эталонный диагноз — наличие или отсутствие MacTel — устанавливали специалисты по заболеваниям сетчатки на основании спектральной ОКТ. Прогнозы моделей сравнивали с оценками специалистов с использованием точности, чувствительности, специфичности, положительной и отрицательной прогностической ценности, площади под кривой «точность–полнота» (AUPRC) и площади под ROC-кривой (AUROC). Для снижения размерности применяли метод равномерной аппроксимации и проекции многообразия, а для визуализации работы моделей с обучением с учителем и самообучением — Grad-CAM.

Результаты: В исследование включили 2636 ОКТ-сканов 780 пациентов с MacTel и 131 пациента без MacTel из проекта MacTel (средний возраст [стандартное отклонение] — 60,8 [11,7] года; женщины — 63,8%), а также 2564 скана 1769 пациентов без MacTel из Вашингтонского университета (61,2 [18,1] года; женщины — 53,4%). Наилучшие результаты показала модель самообучения с ResNet50 в качестве экстрактора признаков, дообученная на всех размеченных обучающих данных: AUPRC — 0,971 (95% ДИ 0,969–0,972), AUROC — 0,970 (95% ДИ 0,970–0,973), точность — 0,898, чувствительность — 0,898, специфичность — 0,949, положительная прогностическая ценность — 0,935, отрицательная прогностическая ценность — 0,919. При использовании лишь 419 томографических объёмов ОКТ (185 пациентов с MacTel, составлявших 10% размеченного обучающего набора) модель самообучения на основе ResNet18 показала сопоставимые результаты: AUPRC — 0,958 (95% ДИ 0,957–0,960), AUROC — 0,966 (95% ДИ 0,964–0,967), точность — 90,2%, чувствительность — 0,884, специфичность — 0,916, положительная прогностическая ценность — 0,896, отрицательная прогностическая ценность — 0,906. Результаты моделей самообучения лучше согласовывались с оценками более опытных специалистов.

Выводы и значимость: Полученные данные указывают на то, что самообучение может повысить точность автоматической бинарной классификации ОКТ-изображений на MacTel и отсутствие MacTel при ограниченном объёме размеченных обучающих данных. Эти методы могут быть применимы и при других редких заболеваниях, однако необходимы дальнейшие исследования.