공간적, 시간적 정보를 통합한 딥러닝 모델은 합의 기반 접근 방식을 사용하여 시야 악화를 성공적으로 감지합니다.

Aug 23, 2023

Scientific Reports 13권, 기사 번호: 1041(2023) 이 기사 인용

688 액세스

11 알트메트릭

측정항목 세부정보

녹내장은 회복 불가능한 실명의 주요 원인이며, 그 악화는 시야(VF) 검사를 통해 가장 자주 모니터링됩니다. 딥 러닝 모델(DLM)은 VF 악화를 지속적이고 재현 가능하게 식별하는 데 도움이 될 수 있습니다. 이 연구에서 우리는 대규모 녹내장 환자 집단을 대상으로 DLM의 성능을 개발하고 조사했습니다. 우리는 1990년 6월부터 2020년 6월까지 한 기관에서 VF 테스트와 VF 악화에 대한 임상의 평가를 받은 5099명의 환자(8705안)를 포함했습니다. VF 악화를 식별할 수 있는 최적의 기준이 없기 때문에 우리는 VF의 포인트별 변화뿐만 아니라 전역 회귀를 포함하는 일반적으로 사용되는 6가지 알고리즘 방법에 대한 합의를 사용했습니다. 우리는 DLM을 교육/테스트하고 임상의 성과를 평가하기 위한 참조 표준으로 합의 결정을 사용했습니다. 훈련, 검증, 테스트 세트에는 각각 80%, 10%, 10%의 환자가 포함되었습니다. 테스트 세트의 873개 눈 중 309개(60.6%)가 여성이었고 평균 연령은 62.4세였습니다. (IQR 54.8–68.9). DLM은 0.94(95% CI 0.93–0.99)의 AUC를 달성했습니다. 6개의 최신 VF를 제거하고 모델에 더 적은 데이터 포인트를 제공한 후에도 DLM은 AUC 0.78(95% CI 0.72–0.84)로 악화를 성공적으로 식별했습니다. 악화에 대한 임상의 평가(각 눈의 최종 VF 시점의 건강 기록 문서를 기반으로 함)는 AUC가 0.64(95% CI 0.63–0.66)였습니다. DLM과 임상의 모두 초기 질병이 더 심할 때 성능이 더 나빴습니다. 이 데이터는 악화를 정의하는 방법의 합의에 대해 훈련된 DLM이 VF 악화를 성공적으로 식별하고 일상적인 임상 치료 중에 임상의를 안내하는 데 도움이 될 수 있음을 보여줍니다.

녹내장은 전 세계적으로 회복 불가능한 실명의 주요 원인이며, 예방을 위해서는 악화를 조기에 식별하는 것이 중요합니다1,2. 시야(VF) 검사는 질병 악화를 모니터링하는 가장 중요한 전략 중 하나입니다3. VF의 악화를 식별하는 것은 성능 변동, 가변성 및 최적 표준4,5,6,7의 부족으로 인해 어렵습니다. 이 문제를 해결하기 위한 한 가지 접근 방식에는 더 자주 검사하는 것이 포함됩니다. 하지만 이는 진행을 식별하는 데 여전히 수년이 걸리면서 환자에게 상당한 부담을 줄 수 있습니다8,9,10,11,12.

VF 진행을 결정하는 데 도움이 되는 다양한 객관적인 방법이 개발되었습니다. 이는 크게 이벤트 기반 방법과 추세 기반 방법으로 나눌 수 있습니다. 이벤트 기반 방법은 기본 VF와 비교하여 결함의 밀도 및 깊이를 기반으로 다양한 규칙으로 VF를 채점하여 진행을 식별하며 EMGT, CIGTS 및 AGIS13,14,15와 같은 주요 임상 시험에 사용되었습니다. EMGT 기준과 유사한 안내 진행 분석(GPA)은 임상 실습에서 일반적으로 사용되며 이전 연구에서는 진행을 더 빨리 식별하지만 특이성은 떨어지는 것으로 나타났습니다16,17. 추세 기반 방법은 전역 VF 매개변수 또는 점별 데이터에 적용할 수 있는 선형 회귀를 사용합니다. 이전 연구에서는 이벤트 기반 방법이 추세 기반 방법보다 더 빨리 진행 상황을 식별할 수 있다고 제안했습니다. 두 가지 연구에서는 대규모 종단적 VF 세트에 대해 이러한 모든 방법을 비교한 결과 약한 일치를 보였으며 이는 진행을 식별하기 위해 서로 다른 알고리즘 간의 합의가 필요함을 시사합니다20,21.

인공 지능의 사용은 악화를 더 일찍, 더 일관되게 식별할 수 있는 한 가지 잠재적인 접근 방식을 나타냅니다22,23,24,25,26. 이는 미래의 VF를 예측하거나 악화 위험이 가장 높은 환자를 식별하는 데에도 사용되었습니다27,28. 전통적인 기계 학습 접근 방식은 사전 지정된 데이터 하위 구성 요소 변환을 활용하는 반면, 딥 러닝 접근 방식은 원시 데이터를 사용하여 모델을 훈련할 수 있습니다29. 딥러닝에는 데이터 구조에 따라 유용할 수 있는 다양한 접근 방식이 있습니다. 최근 논문에서는 컨볼루션 장단기 기억(LSTM) 모델인 특정 종류의 딥 러닝 모델(DLM)이 VF 악화를 식별하는 데 성공한 것으로 나타났습니다30. 이 모델은 VF 평가에 중요한 시공간적 특징을 추출할 수 있다는 점에서 독특합니다.