Wykrywanie zespołu suchego oka na filmach z powierzchni oka w oparciu o wykorzystanie algorytmów głębokiego uczenie się

Omówienie artykułu pt. „Wykrywanie zespołu suchego oka na filmach z powierzchni oka w oparciu o wykorzystanie algorytmów głębokiego uczenie się” opublikowanym w Ocular Surface w 2023 roku^[1].

Cel

Ocena wydajności konwolucyjnych sieci neuronowych (CNN) dla zautomatyzowanej diagnostyki zespołu suchego oka (ZSE) u pacjentów poddawanych wideokeratoskopii

Metodologia

Retrospektywne badanie kohortowe obejmowało 244 filmy z powierzchni oka z 244 oczu 244 osób na podstawie topografii rogówki. W sumie 116 oczu było prawidłowych, a 128 oczu miało ZSE na podstawie ocen klinicznych. Autorzy opracowali model uczenia głębokiego, aby bezpośrednio identyfikować ZSE z powierzchni oka 40 filmów. Ocenili wydajność modelu CNN na podstawie obiektywnych wskaźników dokładności. Ocenili kliniczne znaczenie wyników, oceniając mapy aktywacji klas. Główne mierniki wyniku obejmowały pole pod krzywą AUC (AUC), dokładność, specyficzność i czułość.

Wyniki

AUC modelu odróżniającego oczy prawidłowe od oczu z ZSE wyniosło 0,98. Mapy aktywacji sieci sugerowały, że najważniejsza była dolna przyśrodkowa część rogówki do wykrywania ZSE przez model CNN.

Dyskusja

W badaniu autorzy postanowili wykorzystać model głębokiego uczenie się, do wykrywania ZSE w ujęciach wideo powierzchni oka zarejestrowanych przez Keratograf 5M. Dokonano porównania wydajności modelu uczenia głębokiego transferu w trzech przyjętych architekturach CNN: Resnet50V2 przewyższał Densenet121, InceptionV3 i dwóch ludzkich ekspertów. Wszystkie parametry powierzchni
oka były istotnie różne w grupie ZSE w porównaniu z grupą>