Deep Learning-Modell basierend auf 3D-Optischer Kohärenztomographie-Bildern zur automatisierten Erkennung von pathologischer Myopie

Pathologische Myopie verursacht Sehbehinderung und Blindheit und erfordert daher eine rasche Diagnose. Es gibt jedoch keine standardisierte Definition von pathologischer Myopie, und die Interpretation durch 3D-Optische Kohärenztomographie-Bilder ist subjektiv und erfordert erhebliche Zeit und Geld. Daher besteht ein Bedarf an einem diagnostischen Werkzeug, das pathologische Myopie automatisch und schnell bei Patienten diagnostizieren kann. Diese Studie hatte zum Ziel, einen Algorithmus zu entwickeln, der 3D-Optische Kohärenztomographie-volumetrische Bilder (C-Scan) verwendet, um Patienten mit pathologischer Myopie automatisch zu diagnostizieren. Die Studie wurde unter Verwendung von 367 Augen von Patienten durchgeführt, die von Januar 2012 bis Mai 2020 an den optischen Kohärenztomographie-Untersuchungen der Augenklinik des Incheon St. Mary's Hospital und des Seoul St. Mary's Hospital teilnahmen. Um pathologische Myopie automatisch zu diagnostizieren, wurde ein Deep Learning-Modell unter Verwendung von 3D-Optische Kohärenztomographie-Bildern entwickelt. Das Modell wurde unter Verwendung von Transfer-Learning auf der Grundlage von vier vortrainierten Convolutional Neural Networks (ResNet18, ResNext50, EfficientNetB0, EfficientNetB4) entwickelt. Grad-CAM wurde verwendet, um Merkmale zu visualisieren, die die Erkennung von pathologischer Myopie beeinflussen. Die Leistung jedes Modells wurde basierend auf Genauigkeit, Sensitivität, Spezifität und Fläche unter der Receiver Operating Characteristic-Kurve (AUROC) bewertet und verglichen. Das auf EfficientNetB4 basierende Modell zeigte die beste Leistung (95% Genauigkeit, 93% Sensitivität, 96% Spezifität und 98% AUROC) bei der Identifizierung von pathologischer Myopie.