비지도 기계 학습을 이용한 원추각막 중증도 식별

우리는 비지도 기계 학습 알고리즘을 개발하고 이를 이용해 큰 각막 매개변수를 적용하여 원추각막 단계를 식별하고 모니터링했습니다. 일본 여러 센터에서 SS-1000 CASIA OCT 이미징 시스템으로 수집한 12,242개의 눈의 각막 스웨프 소스 광간섭 단층 촬영(OCT) 이미지로 대규모 데이터셋을 구성했습니다. 0%에서 100% 사이의 유효한 각막 팽창 지수(ESI)를 가진 3,156개의 눈이 후속 분석을 위해 선택되었습니다. 420개의 각막 지형도, 상승, 두께 매개변수(ESI 원추각막 지수 제외)가 선택되었습니다. 알고리즘은 세 가지 주요 단계로 구성되어 있습니다. 1) 주성분 분석(PCA)을 사용하여 입력 데이터의 차원을 420에서 8개의 중요한 주성분으로 선형적으로 축소했습니다. 2) 다체 학습을 사용하여 선택된 주성분을 비선형적으로 두 개의 고유 매개변수로 더욱 축소했습니다. 3) 마지막으로, 고유 매개변수에 밀도 기반 클러스터링을 적용하여 원추각막이 있는 눈을 식별했습니다. 2D 공간에서 클러스터 시각화는 주관적으로 학습 품질을 검증하는 데 사용되었고, ESI는 식별된 클러스터의 정확성을 객관적으로 평가하는 데 사용되었습니다. 제안된 방법은 네 개의 클러스터를 식별했습니다; I: 대부분 정상 눈으로 구성된 클러스터(ESI가 0인 224개 눈, ESI가 5에서 29인 23개 눈, ESI가 29보다 큰 9개 눈), II: 대부분 건강한 눈과 프루스트 원추각막이 있는 눈으로 구성된 클러스터(ESI가 0인 1,772개 눈, ESI가 5에서 29인 698개 눈, ESI가 29보다 큰 117개 눈), III: 대부분 경한 원추각막 단계의 눈으로 구성된 클러스터(ESI가 29보다 큰 184개 눈, ESI가 5에서 29인 74개 눈, ESI가 0인 6개 눈), IV: 대부분 진행된 원추각막 단계의 눈으로 구성된 클러스터(ESI가 29보다 큰 80개 눈, ESI가 5에서 29인 1개 눈)입니다. 우리는 원추각막 상태와 중증도를 비지도 기계 학습 알고리즘과 선형 및 비선형 각막 데이터 변환을 통해 잘 식별할 수 있음을 발견했습니다. 제안된 방법은 원추각막 단계를 더 잘 식별하고 시각화할 수 있습니다.