Автоматическое распознавание склеральных шпор и количественная оценка биометрических параметров с помощью системы оптической когерентной томографии переднего сегмента глаза ANTERION

    Введение

    Биометрия переднего сегмента глаза и оценка его анатомических структур играют важную роль в лечении различных глазных заболеваний. В частности, биометрия переднего сегмента особенно важна при ведении пациентов с первичной закрытоугольной глаукомой (ПЗУГ), когда нарушение оттока водянистой влаги вызвано сближением радужной оболочки и трабекулярной сети или закрытием угла передней камеры (УПК) (Shan J et al, 2019). Глаукома является основной причиной слепоты во всем мире; этим заболеванием в настоящее время страдают более 20 млн человек (Quigley HA et al, 2006). Кроме того, точные биометрические измерения необходимы для расчета оптической силы и размера интра- окулярных линз (ИОЛ) при лечении катаракты и аномалий рефракции.

    Оптическая когерентная томография переднего сегмента глаза (AS-OCT) имеет большую клиническую ценность при измерении биометрических показателей глаза, многие из которых рассчитываются на основании данных о расположении склеральной шпоры. Например, такие параметры, как дистанция открытия угла передней камеры (angle opening distance, AOD) (рис. 1) и площадь трабекулярно-радужного пространства (trabecular iris space area, TISA) (рис. 2), могут играть важную роль в прогнозировании течения ПЗУГ и реакции проведения лазерной периферической иридотомии (ЛИЭ) (Xu BY et al, 2021). Хотя гониоскопия до сих пор остается стандартом оценки УПК, несмотря на то что этот метод является субъективным, качественным, по-разному воспроизводимым и слабо коррелирует с данными AS-OCT, количественные данные ОКТ могут дополнять гониоскопию (Porporato N et al, 2022). Другие биометрические параметры, такие как кривизна роговицы, глубина передней камеры (anterior chamber depth, ACD) (рис. 3) и толщина хрусталика, необходимы для расчета ИОЛ и учитываются во всех современных калькуляторах. Ширину передней камеры (anterior chamber width, ACW) (рис. 3) важно учитывать при имплантации факичных ИОЛ (Bruner C et al, 2020). Биометрические параметры, основанные на расположении склеральной шпоры, такие как свод хрусталика (lens vault, LV) (рис. 3) и ширина передней камеры, также потенциально полезны при выборе ИОЛ, но их трудно измерить, и поэтому они редко используются в рутинной клинической практике (Yan C et al, 2022).

    Полный биометрический анализ изображений AS-OCT в настоящее время требует специализированного программного обеспечения и ручной разметки склеральных шпор, зависит от опыта исследователя и требует много времени, что препятствует широкому внедрению.

    В предыдущих исследованиях была подтверждена возможность точной автоматизированной идентификации склеральных шпор с использованием искусственного интеллекта – алгоритмов глубокого обучения (deep learning, DL) (Xu BY et al, 2020).

    Цель

    Провести независимую проверку алгоритмов глубокого обучения (DL) для автоматического распознавания склеральных шпор и измерения биометрических параметров, которые зависят от расположения склеральных шпор, на изображениях AS-OCT, полученных при помощи аппарата ANTERION V.1.4 (Heidelberg Engineering, Heidelberg, Germany).

    Материал и методы

    Алгоритм обнаружения склеральных шпор

    Алгоритмы DL для автоматического распознавания склеральных шпор были разработаны и протестированы компанией Heidelberg Engineering (Heidelberg, Germany) до начала настоящего исследования.

    Хотя эти алгоритмы являются собственностью Heidelberg Engineering, компания предоставила некоторую информацию об их разработке.

    Вкратце, опытным офтальмологом был оценен набор из 4798 изображений ANTERION AS-OCT одного или обоих глаз 360 пациентов и определено местоположение склеральных шпор. Эти изображения были разделены на отдельные обучающие (3810 изображений; 80%) и тестовые (979 изображений; 20%) наборы данных.

    Набор обучающих данных использовался для обучения сверхточной нейронной сети (CNN), которая прогнозирует расположение склеральных шпор в заранее определенной области интереса (predefined region of interest, ROI) (Laibacher T et al, 2018). ROI представляет собой область размером 256 256 пикселей вокруг угла передней камеры, определяемого алгоритмами сегментации ANTERION на основе задней границы роговицы и передней границы радужной оболочки. Эталонные местоположения склеральных шпор были преобразованы в эталонные карты на основе функции Гаусса. Для повышения надежности CNN использовалось усиление данных, включая аффинные деформации, шумирование и размытие.

    Набор тестовых данных использовался для ограничения уровня ложноположительных результатов ниже 4% (алгоритм FPR4) и для обеспечения истинно положительных результатов выше 95% (алгоритм TPR95).

    Сбор и анализ набора проверочных данных

    В исследование были включены пациенты в возрасте 18 лет и старше, проходящие плановое обследование глаз в глаукомных клиниках и офтальмологических клиниках в штате Калифорния (США). Большинство пациентов находились на диспансерном наблюдении. Набор пациентов проводился с марта 2021 г. по август 2021 г. Критерии исключения включали помутнение роговицы, препятствующее проведению визуализации методом AS-OCT, а также предшествующую травму глаза в анамнезе. AS-OCT-изображения были получены с использованием аппарата ANTERION и приложения Metrics Application. Обследование выполнялось обученными техническими специалистами в положении пациента сидя до расширения зрачков в темной комнате при стандартизированных условиях освещения (<0,01 люкс) в плоскости изображения. Участникам было дано указание поддерживать фиксацию взгляда на внутренней мишени с открытыми веками, без оттягивания век техническим специалистом.

    Склеральную шпору идентифицировали как проминирующее внутрь образование на стыке склеры и роговицы (Ho S-W et al, 2013). Склеральную шпору на всех шести В-сканах (с шагом 30°, образуя 12 угловых секторов на 0°, 30°, 60°, 90°, 120°, 150°, 180°, 210°, 240°, 270°, 300° и 330°) отмечали три эксперта-человека: (1) эксперт, прошедший специальную подготовку (AAP; эталонный эксперт) с опытом разметки более 40 000 склеральных шпор после 5-часового периода обучения по разметке 500 склеральных шпор под наблюдением двух специалистов по глаукоме; (2) опытный специалист по глаукоме с опытом разметки более 10 000 склеральных шпор (BYX; опытный эксперт); (3) начинающий эксперт (ASH; эксперт-новичок) с опытом разметки менее 100 склеральных шпор. Эталонный эксперт ранее продемонстрировал низкую вариабельность в оценке расположения склеральных шпор и измерении других биометрических параметров на изображениях AS-OCT (Xu BY et al, 2020). Проводилась также автоматическая разметка склеральных шпор с помощью алгоритмов FPR4 и TPR95.

    Передняя и задняя границы роговицы и хрусталика, а также передняя граница радужной оболочки определялись автоматически с помощью алгоритма сегментации ANTERION. Эталонный эксперт выполнил незначительные корректировки сегментации угла передней камеры, включая заднюю часть роговицы и переднюю часть радужной оболочки, менее чем на 15 изображениях (1,1% от общего числа).

    После разметки склеральной шпоры с помощью программного обеспечения ANTERION были автоматически измерены восемь биометрических параметров, которые зависят от расположения склеральных шпор: AOD, TISA, угол склеральной шпоры (scleral spur angle, SSA) на расстоянии 500 и 750 мкм от склеральной шпоры, ACW и LV. AOD500/750 определяли как расстояние между задней поверхностью роговицы и передней поверхностью радужки, измеренное по перпендикуляру на расстоянии 500 мкм от склеральной шпоры (AOD 500) или на расстоянии 750 мкм от склеральной шпоры (AOD 750). TISA500/750 определяли как область, ограниченную спереди AOD500/750; сзади линией, проведенной от склеральной шпоры перпендикулярно к радужке; сверху внутренней корнеосклеральной стенкой; и снизу поверхностью радужной оболочки. SSA500/750 определялся как угол, образованный линиями, начинающимися от склеральной шпоры и заканчивающимися на трабекулярной сети и на передней поверхности радужной оболочки на расстоянии 500 или 750 мкм кпереди от склеральной шпоры. ACW определяли как горизонтальное расстояние между двумя противоположными склеральными шпорами. LV определяли как перпендикулярное расстояние от вершины передней поверхности хрусталика до линии между склеральными шпорами.

    Часть изображений составили группу с узким УПК, который определялся как AOD500 <150 мкм согласно исследованию Narayanaswamy A et al (2010). Мы не использовали данные гониоскопии для оценки степени открытия угла передней камеры по ряду причин: во-первых, большинство пациентов не были больными глаукомой и, следовательно, гониоскопия им не проводилась; во-вторых, для гониоскопии характерна градусная вариабельность при оценке УПК из-за субъективности и, в-третьих, ширина угла при закрытии УПК значительно варьируется в зависимости от квадранта (Xu BY et al, 2019).

    Изображения с пограничной или плохой интерпретируемостью из-за век и других артефактов изображения не были исключены из анализа, чтобы можно было рассчитать частоту ложноотрицательных результатов (FNR) и истинно положительных результатов (FPR) для опытного эксперта и эксперта-новичка, а также для обоих алгоритмов DL. Кроме того, экспертам не давали конкретных инструкций о том, как определять склеральную шпору; решение об оценке изображения было оставлено на усмотрение каждого эксперта. Эталонный ложноотрицательный результат (FNref) определялся как склеральная шпора, идентифицированная эталонным экспертом, но не другим экспертом-человеком или алгоритмом. Эталонный ложноположительный результат (FPref) определялся как склеральная шпора, размеченная другим экспертом или алгоритмом, но не эталонным экспертом. Консенсусный ложноотрицательный результат определялся как склеральная шпора, размеченная всеми тремя экспертами, но не с помощью алгоритма DL. Консенсусный ложноположительный ре- зультат определялся как склеральная шпора, размеченная алгоритмом DL, но не идентифицированная ни одним из трех человек.

    Статистический анализ

    Различия в разметке склеральных шпор были проанализированы с использованием критерия Крускала – Уоллиса. Коэффициенты внутриклассовой корреляции (ICC) рассчитывались для каждого биометрического параметра с оценкой согласия между эталонным экспертом и вторым экспертом-человеком (опытным или новичком) или алгоритмом DL (FPR4 и TPR95). Все анализы проводились с использованием статистического программного обеспечения R (V.4.0.3) при уровне значимости 0,05.

    Результаты

    Всего было получено 1308 изображений AS-OCT от 117 участников, включая 2616 изображений потенциальных склеральных шпор; однако не на всех изображениях можно было выполнить разметку склеральных шпор из-за век или других артефактов визуализации.

    Средний возраст участников составил 52,1±17,6 года, среди них было 59 мужчин (50,4%) и 58 женщин (49,6%). Среди всех участников 50 (42,7%) были европеоидами, 32 (27,4%) – латиноамериканцами, 21 (17,9%) – азиатами, 7 (6,0%) – чернокожими, а 7 (6,0%) – неизвестной расы/этнической принадлежности.

    В общей сложности эталонный эксперт выполнил разметку 1504 склеральных шпор, опытный эксперт – 1726 шпор, эксперт-новичок – 1622 шпоры, алгоритм FPR4 – 1459 шпор, и алгоритм TPR95 отметил 1722 шпоры. Так как эталонный эксперт идентифицировал меньше склеральных шпор, чем другие эксперты, были просмотрены изображения, отмеченные опытным экспертом, но не эталонным экспертом. Среди этих 237 изображений на подавляющем большинстве были выявлены дефекты, связанные с веками (N=222, 93,4%) или затенением из-за ресниц или птеригиума (N=12, 5,1%), которые частично закрывали угол передней камеры.

    Различия в разметке склеральных шпор по сравнению с эталонным экспертом варьировалось в зависимости от эксперта или алгоритма (рис. 4). Медиана и межквартильный диапазон различий в разметке склеральных шпор по сравнению с эталонным экспертом составляли 61,1±65,7 мкм для опытного эксперта, 79,4±74,9 мкм – для эксперта-новичка, 52,6±48,6 мкм – для алгоритма FPR4 и 55,5±50,6 мкм – для алгоритма TPR95. Между четырьмя группами различий в разметке склеральных шпор наблюдалась значительная разница (p<0,001).

    Ширина угла передней камеры AOD500 среди пациентов значительно варьировалась (в среднем 0,41±0,25 мм по данным эталонного эксперта). Согласие по параметру AOD500 и другим параметрам между эталонным экспертом и опытным экспертом или любым из алгоритмов было отличным (ICC от 0,955 до 0,997) (табл. 1). Уровень согласия между эталонным экспертом и экспертом-новичком был ниже, но все же высоким (ICC от 0,918 до 0,994).

    Среди 1504 изображений AS-OCT с разметкой от эталонного эксперта было 198 (13,2%) изображений с узким углом передней камеры (AOD500<150 мкм). В этой подгруппе по параметрам ACW и LV уровень согласия между эталонным экспертом и алгоритмами DL был самым высоким, а между эталонным экспертом и другими экспертами уровень согласия был немного ниже, но все же достаточно высоким (ICC от 0,856 до 0,979). В то же время по параметрам AOD, TISA500 и SSA750 уровни согласия имели тенденцию быть ниже (табл. 2). В подгруппе изображений с узким углом передней камеры уровень согласия между эталонным экспертом и другими экспертами-людьми, особенно экспертом-новичком, был наиболее низким (ICC от 0,146 до 0,792), в то время как уровень согласия между эталонным экспертом и алгоритмами DL оставался по-прежнему хорошим (ICC от 0,746 до 0,878).

    Частота ложноотрицательных и ложноположительных результатов (FNref и FPref) различалась в зависимости от опыта эксперта и алгоритма. Опытный эксперт и эксперт-новичок, а также алгоритм TPR95 имели частоту FNRref<3,0% и FPRref>10,0%, тогда как алгоритм FPR4 имел частоту FNRref=12,6% и FPRref=9,6%. Что касается консенсусных ложноотрицательных и ложноположительных результатов, FNRcon алгоритма FPR4 (12,3%) был выше, чем алгоритма TPR95 (2,7%), тогда как разница в FPRcon была меньше (FPR4 1,1% против TPR95 4,1%). При визуальном просмотре изображений, ошибочно размеченных алгоритмом TPR95, многие из изображений имели очевидные артефакты из-за век, затенения или движения глаз, которые затрудняли идентификацию склеральных шпор.

    Обсуждение

    Результаты проведенного исследования свидетельствуют о том, что алгоритмы DL для системы ОКТ ANTERION достигли производительности экспертного уровня, обеспечивая точную разметку склеральных шпор и измерение биометрических параметров, которые зависят от расположения склеральных шпор, в большом наборе данных AS-OCT. Как консервативный (FPR4), так и агрессивный (TPR95) алгоритмы в целом приближались к производительности эталонного эксперта и превосходили показатели эксперта-новичка, особенно среди изображений с узкими углами передней камеры. Алгоритм TPR95 более точно аппроксимировал ложноотрицательные и ложноположительные результаты, тогда как алгоритм FPR4 делал менее точные прогнозы. Эти результаты поддерживают внедрение алгоритма TPR95 для разметки склеральных шпор и автоматического анализа биометрических параметров на изображениях ANTERION, что, в свою очередь, может значительно повысить доступность и пользу количественной визуализации методом AS-OCT.

    Измерения биометрических параметров угла передней камеры зависят от точной идентификации склеральной шпоры, точность разметки которой варьируется даже среди опытных экспертов (Pham TH et al, 2021). Оба алгоритма FPR4 и TPR95 были практически так же точны в разметке склеральной шпоры, как эталонный эксперт, в то время как точность опытного эксперта и эксперта-новичка была меньше, чем у эталонного эксперта (<60 мкм для обоих алгоритмов). Эта производительность сравнима с эффективностью алгоритма DL, разработанного Xu BY et al (2020) для аппарата Tomey CASIA SS-1000, который давал 73,08±52,06 мкм средней разницы между человеком и машиной при идентификации склеральных шпор. Наши результаты показали, что алгоритмы FPR4 и TPR95 достигают производительности экспертного уровня при разметке склеральных шпор, которая приближается или даже превосходит уровень согласия между двумя опытными экспертами.

    Наше исследование подтвердило, что биометрические измерения параметров, которые зависят от расположения склеральных шпор, с помощью обоих алгоритмов, сильно коррелируют с измерениями эталонного эксперта и приблизительно соответствуют согласию между двумя опытными экспертами-людьми, в том числе для глаз с узкими углами. Автоматизированный метод измерения биометрических параметров на основе склеральных шпор может помочь модернизировать клиническую оценку и ведение пациентов с ПЗУГ. Измерение AOD и TISA может предсказать более высокий риск прогрессирования ПЗУГ или плохого расширения угла после лазерной иридэктомии (Xu BY et al, 2022). Кроме того, автоматические измерения ACW и LV могут быть полезны для выбора ИОЛ: параметр ACW помогает при определении размера передней камеры и факичных ИОЛ, а LV может играть важную роль в определении эффективного положения линзы и расчете оптической силы ИОЛ (Bruner C et al, 2020).

    Мы показали, что частота идентификации склеральных шпор сильно варьируется в реальных условиях без ретракции век во время обследования, даже среди экспертов.

    Этот момент ранее не изучался и позволяет предположить, что эксперты с разной степенью уверенности решают, размечать ли склеральную шпору. Судя по количеству размеченных склеральных шпор, эталонный эксперт оказался самым «консервативным», а опытный эксперт – самым «агрессивным» среди экспертов-людей. Эта тенденция отражает индивидуальные особенности исследователей при идентификации склеральных шпор в контексте век и других артефактов визуализации, которые частично скрывают угол передней камеры.

    Эталонный эксперт, обученный разметке склеральных шпор для научных исследований, отказывался расшифровывать изображения с артефактами, тогда как эксперт-клиницист был менее консервативен в маркировке склеральных шпор при наличии артефактов визуализации и размечал склеральную шпору даже там, где ее контуры были частично скрыты. Алгоритм TPR95 аппроксимировал ложноотрицательные и ложноположительные результаты экспертов (1,0% и 15,8% против 2,9% и 17,4%). Хотя более консервативный алгоритм FPR4 имел более низкую частоту ложноположительных результатов по сравнению с алгоритмом TPR95 (9,6% против 17,4%), это произошло за счет более высокой частоты ложноотрицательных результатов (12,6% против 2,9%). Несмотря на большее количество склеральных шпор, выявленных с помощью алгоритма TPR95, согласованность измерений между эталонным экспертом и обоими алгоритмами была одинаковой. В загруженной клинической среде алгоритм TPR95, вероятно, будет более полезен, чем алгоритм FPR4, поскольку удобнее игнорировать сомнительно отмеченную склеральную шпору, чем вручную отмечать более очевидную.

    Наше исследование имеет несколько сильных сторон по сравнению с предыдущими исследованиями по автоматической разметке склеральных шпор (Pham TH et al, 2021). Во-первых, исследуемые нами алгоритмы DL поддерживали производительность экспертного уровня в реальной клинической практике, т.е. в разнообразной когорте пациентов разных возрастов и рас. Эти результаты подтверждают возможность широкого внедрения алгоритмов DL в практических условиях, в то время как предыдущие исследования, в которых использовались меньшие и более однородные когорты, этого не подтверждали. Во-вторых, изображения с артефактами из-за век или с другими артефактами не были исключены из набора проверочных данных. Этот подход позволил нам оценить вариабельность разметки склеральных шпор людьми и достоверность работы алгоритмов, а также оценить согласованность измерений. Это позволило избежать предвзятости, связанной с анализом только определенных изображений. В-третьих, все изображения были оценены экспертом-новичком в дополнение ко второму опытному эксперту. Это позволило нам доказать, что использование алгоритмов DL имеет преимущество перед обученным, но неопытным экспертом.

    Данное исследование имеет и ряд ограничений. Во-первых, эталонный эксперт был относительно консервативным и расшифровывал меньше изображений, чем другие эксперты-люди и алгоритм TPR95.

    Последующий анализ выявил затенения веками или другие артефакты затенения более чем в 98% этих изображений. Во-вторых, хотя общее количество проанализированных изображений было большим, узкие углы передней камеры были только в 13,2% изображений, что способствовало более широким доверительным интервалам при анализе этой подгруппы изображений. В-третьих, гониоскопия была выполнена менее чем половине участников; поэтому мы оценивали производительность алгоритмов для глаз с узким углом передней камеры, определенным по данным ОКТ, а не на основе гониоскопической оценки угла. Наконец, описанные алгоритмы доступны только для системы OКT ANTERION, и их производительность, вероятно, не будет распространяться на изображения, полученные с помощью других устройств AS-OCT.

    Заключение

    Алгоритмы DL обеспечивают идентификацию и разметку склеральных шпор, а также измерение биометрических параметров на экспертном уровне в большом наборе изображений AS-OCT в разнообразной клинической когорте. По-видимому, алгоритм TPR95 имеет пре- имущества по сравнению с начинающими специалистами. Исследование поддерживает внедрение алгоритма TPR95 в условия реальной практики.

    Алгоритмы DL способны увеличить клиническую пользу AS-OCT-визуализации при мониторинге и лечении глазных заболеваний, зависящих от точной биометрии переднего сегмента глаза.

    Bolo K, Aroca GA, Pardeshi AA, et al. Automated expert-level scleral spur detection and quantitative biometric analysis on the ANTERION anterior segment OCT system. Br J Ophthalmol. 2024;108: 702–709. doi: 10.1136/bjo-2022-322328