糖尿病性レチノパシーの理解

糖尿病性網膜症(DR)は、血管を損傷する糖尿病の微生物叢の合併症であり、治療されていない場合、進行中の視力喪失につながる。 状態は、慢性高血症から始まり、毛細血管内障、pericyteの損失、および基幹膜の増粘を引き起こします。 これらの病理的変化は血管の漏れ、微小血管形成、および毛管形成の要因である。 組織は、成長因子の低下が悪化する。 [F] 組織は、糖尿病および糖尿病の予防接種因子の増殖因子である。 [Felsis]

DRの臨床進行は、十分に確立されたステージングシステムに従います。国際臨床糖尿病レチノパシースケールは、軽度の非産物DR(NPDR)から適度なNPDR、重度のNPDR、および最終的にPDRに重度の診断を分類します。初期段階では、患者はしばしば非性的です。微量元素や点血の出血などの微小病変は、早期に検査または早期に増加する可能性があるため、早期に、患者は、早期に発生した患者は、早期に死亡率が500万人を超える病態が、早期に発生した患者が、早期に発生した可能性があると、早期に、早期に、早期に発生した患者は、早期に発生した障害が発生したかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかかか

従来のスクリーニング方法は、眼科医、光学療法士、または認定されたグレーダーなどの訓練された専門家による網膜の手動のグラデーションに依存しています。このアプローチは、制御された設定で有効であることを証明しているが、それはいくつかの制限事項に直面しています:高いコスト、保存された領域の専門家の限られた可用性、および重要なインターグラダの変動。典型的なスクリーニングプログラムは、熟練した検査プログラムでは、疲労と不整合性を導く、セッションごとに何百もの画像を検査する必要があります。これらの課題は、人間の診断基準を削減し、高い能力を向上させることができることを加速しています。

医療イメージングにおけるディープラーニングの役割

ディープラーニングは、多層人工ニューラルネットワークに基づく機械学習のサブセットです。過去10年間に革新的な医療画像解析が実現しています。 複雑なニューラルネットワーク(CNN)は、特に、生のピクセルデータから階層的な機能を学ぶことで、手作業による機能抽出の必要性を排除しています。 網膜イメージングのコンテキストでは、ディープラーニングモデルは、資金源の写真を摂取し、マイクロ波、小惑星、小惑星、小惑星、小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または小惑星、または動物、または動物、または動物、または動物、または動物、または動物、または動物、または動物、または動物、または動物、または動物、または動物、または動物、または動物、または動物、または動物、または

モードのランドマーク調査では、人間のグレーダーと比較して、ディープラーニングシステムの公平性または優位性を実証しています。 IDx-DRシステム - DRのFDA認可AI診断を優先し、87.2%の感度と、ピボタル臨床試験における90.7%の特異性を認めた。 ]の最近のモデルと、Google Healthは、特にサブレベルの測定値が95.7%を超えた場合に、比例した結果、DR-Reegal の検出を検査するだけでなく、その周辺機器の精度を低下させる可能性があります。

ディープラーニングモデル分析レチンアルイメージ

DR検出のためのディープラーニングモデルを訓練するには、厳格なパイプラインが含まれています。 最初のステップは、データ取得です。多様な人口からの資金写真の大規模なコレクションが集まり、各ラベルには重度のグレードが付けられます。 典型的なデータセットには、EyePACSデータベース(80,000以上の画像)とKaggle Diabetic Retinopathy Detection チャレンジデータセットが含まれます。 事前処理手順には、均一な解像度(例えば、512×512ピクセル)に画像を再サイズ化し、異なるモデルの変形や変化を変化させ、異なるモデルの変形や変化を変化させるためのさまざまなモデルの調整、さまざまなモデルの調整、および変化を変化させます。

標準的なCNNのアーキテクチャは、エッジ、ブロブス、テクスチャなどの低レベルの機能を抽出する、複雑なレイヤーから始まります。 層をプールすることで、十分な情報を保持しながら空間の寸法が減少します。 より深いコンボリーダは、これらのレジョン形状と空間的な関係を表す高レベルな機能に結合します。 最後に、完全に接続されたレイヤーは、重度のクラス全体で確率分布を出力します。 高度なアーキテクチャは、SE(Squeze-state-re-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F-F

Grad-CAMやサリテンマップなどの説明技術は、元のイメージを上書きし、モデルの決定において最も影響力のあるピクセルを強調するヒートマップを生成します。この透明性は、臨床医の信頼と規制当局の承認のために不可欠です。 ]による研究 ]は、臨床医が自分の判断で一貫した病変の場所を明らかにしたときにAIの推奨を受け入れる可能性が高いことを実証しました。 しかし、現在の臨床検査の制限は、その理由は、完全な制限が残っているかもしれません。

早期発見におけるディープラーニングの利点

DRスクリーニングのためのディープラーニングシステムを展開すると、以下に示すように、伝統的な方法の欠点に対処するいくつかの説得力のある利点があります。

  • []高診断精度:]] ニュメロスは、ディープラーニングモデルは、ボード認証された眼科医のそれらに対する感度と特異性非劣性を達成することを確認しています。初期段階のDR(mild NPDR)では、モデルは、多くの場合、ヒトの学年よりもよりより一貫性のある微小血管を検出し、誤った負を減らす。 Ophat]Refatismoシステムと比較して、98%[F]を参照してください。
  • [非推奨速度:[] 適切に最適化されたニューラルネットワークは、現代のGPUで0.1秒未満の単一の網膜画像を分析することができます。 この速度は、大量のクリニックやコミュニティスクリーニングドライブのボトルネックを排除し、毎時数百人の患者をスクリーニングすることができます。 リアルタイムフィードバックは、同じ日に紹介決定を有効にします。
  • []スケールとアクセス:[]ディープラーニングモデルは、カスタムレジンアタッチメント付きのスマートフォンを含む、低コストのハードウェア上で実行することができます。 これは、眼科医が傷つくリモートまたはリソース制限の設定でスクリーニングを可能にします。 テレメディシンプラットフォームは、自動的に周辺クリニックからアップロードされた画像をグレードし、専門家の相談のためのプラスケースだけを参照することができます、必要に応じて専門家のトレーニングを削減します。
  • [ 一貫性と再現性:[]] 人間のグレーダーとは異なり、精度は疲労、一日の時間、または経験によって異なる、CNN は、同一の入力に対して同一の出力を生成します。これにより、インターオブザーバーとイントラオブザーバーの分散性を排除し、異なるサイトや時間にわたるケアの均一な基準を保証します。この一貫性は、数千人の患者が複数の場所にわたって検査される大規模なスクリーニングプログラムで特に価値があります。
  • Cost-Effectiveness:自動スクリーニングは、検査された患者あたりの人件費を大幅に削減します。 2022年の健康経済分析では、AIベースのスクリーニングは、主に専門家のグレーダーと早期の検出のための必要性を削減し、主に米国医療システムでスクリーニングされた100,000万人の患者を節約できると推定しました。 これは、費用対効果の高い先進的な疾患治療を防ぐため、主に、すべての糖尿病患者をスクリーニングする経済的に有効になります。 これらは、これらの症状だけでなく、高度に症状が進行する症状よりも、推奨されるように、すべての糖尿病患者をスクリーニングする可能性があります。

課題と考察

DR検出のディープラーニングをデプロイするという約束にもかかわらず、ハードルなしではいません。最も重要な課題の1つは、大規模で高品質で多様なトレーニングデータセットの必要性です。モデルが訓練されたのは、単一の民族性またはカメラメーカーからの画像に対して、未登録の人口やイメージング条件に直面した場合、ほとんどが悪いことである可能性があります。例えば、Caucaucasian-dominantデータセットで訓練されたモデルは、Efferiderider の人口や、またはアジアの人口減少に問題があると強調する要因があります。

解釈性は、別の重要な問題です。 ディープニューラルネットワークは、多くの場合、「ブラックボックス」と記述され、臨床医は、推論を理解せずに推奨する基礎的処理の決定に理解できると理解しています。 Grad-CAMのようなヒートマップベースの説明技術は透明性を向上させているが、それらはまだ臨床的信頼のために十分な受け入れられていません。 JAMA Ophthalmologyの分析は、AIシステムが明確に制限された場合にのみ、AIが認められていると判断した場合にのみAIシステムが明確に定義された場合にのみ適用されます。

セキュリティとデータのプライバシーは、追加の制約をポーズします。 網膜画像は、HIPAAやGDPRなどの規制下にある機密性の高い個人データです。 クラウドベースのAIサービスに画像を転送すると、コンプライアンスに関する懸念が高まり、潜在的なデータ侵害は深刻な結果をもたらす可能性があります。 スクリーニング機器でローカルに実行されるエッジベースのモデルは、部分的なソリューションを提供しますが、再インストールソフトウェアなしでモデルを集中的に更新または改善する能力を制限します。 葉状学習、原材料を共有することなく、組織全体でモデルを訓練することは、患者のモデルを研究のために有益であると確認されています。 プローブは、923の対象の対象を対象としています。

臨床ワークフローへの統合

既存の糖尿病眼科ケア経路に深い学習ツールの実践的な統合は、技術的な展開だけでなく、ワークフロー、払い戻し、および臨床医のトレーニングの変化も伴います。 1つの成功したモデルはAIアシストトリエージであり、ディープラーニングアルゴリズムが自動的に画像をアップグレードし、手動レビューのための疑わしい発見を持つものだけをフラグする。 このアプローチは、専門家の検査の負担を50〜70%削減し、全体的な検出速度を維持しながら複雑なケースに集中することができます。 英国眼科検査の詳細な検査は、マニュアルレビューを増加させることを報告した。 60%の詳細な検査は、マニュアルの欠陥を増加させることを報告しました。

いくつかの健康システムは、奨励結果でAI主導のスクリーニングを検証しました。 英国における国立保健サービス(NHS)糖尿病眼スクリーニングプログラムでは、深い学習システムは、著名なDR症例の95%以上を確実に識別できると報告し、その実装は、平均4週間から2日間、画像キャプチャから診断までの時間を大幅に削減することに関連しました。 米国におけるVanseter Health Administrationは、米国の医療機関のスクリーニングを、高度化したネットワークに強化し、AI対策を講じ、AIが強化された患者のスクリーニングを増加させ、AIが増加しました。

今後の方向性・研究

フィールドは急速に進んでいます。研究者は、フラメンタル写真と、光学コヒーレンストーモグラフィー(OCT)などの他のイメージング方法と組み合わせるマルチモーダルモデルを探索しています。これにより、網膜に関する深度を回復させ、基礎的な数学の浮腫を検出できるようになり、基礎的な画像に臨床的に表示することができます。 ]Nature Medicine]では、Galimerial-Industrial のマッピングを分析し、他のモデルを合成したモデルを生成し、OGAN-Gal-N-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S

説明可能なAI(XAI)メソッドは、モデルの決定のためのより臨床的に実用的な正当性を生成するために精製されています。 現在の作業は、重度のグレードだけでなく、病変の位置のマップや病変ごとの自信のスコアを出力するモデルの構築に焦点を当てています。 一部のアーキテクチャは、特に微小列、出血、および出血を強調する注目ベースのメカニズムを組み込んでいます。 臨床医はモデルの発見を検証することができます。 長期的には、Drgraceを検査するだけでなく、単一の疾患を予測することができます。 同じように、Aucagyは、単一の疾患を予測することができます。

フェデレーションされた学習は、各サイトを離れる生データを必要としない複数の機関にモデルが訓練されている他の有望なパラダイムです。このアプローチは、モデルがヘテロ遺伝子の人口から学ぶことを可能にする間、患者のプライバシーを保護し、データセットの多様性の課題を潜在的に克服することを可能にします。ヨーロッパでは、フェデレーションされた学習は、GDPRに準拠しながら集中的に訓練されたモデルのパフォーマンスに一致できることを示しています。さらに、エッジコンピューティングは、ローカルハードウェア上の画像を処理し、より重要なネットワークを活性化させることにより、より重要なネットワーク環境設定が実現可能になります。

コンテンツ

ディープラーニングは、研究ラボから臨床的実践へと移行し、糖尿病の網膜症関連の盲目症との闘いの強力なアシスタントとして活動しています。 早期に正確な分析と網膜の拡張性を可能とし、これらのAIシステムは、眼科の専門家の専門知識を補完し、100万人もの糖尿病患者に質の高いスクリーニングへのアクセスを拡張し、視覚障害者の診断を行なうことができるようになり、視覚障害者の診断が既に妥協されるまで、さまざまな問題が解決します。 課題は、特にデータ多様性、解釈、規制の増大が、次のモデルの拡張を継続して、より一層のリスクを増大し、より一層の拡大を促進します。