Репозиторий OAI—PMH
Репозиторий Российская Офтальмология Онлайн по протоколу OAI-PMH
Конференции
Офтальмологические конференции и симпозиумы
Видео
Видео докладов
Реферат RUS | Реферат ENG | Литература | Полный текст |
УДК: | 617.735-07 DOI: https://doi.org/10.25276/0235-4160-2022-4S-77-84 |
Малюгин Б.Э., Сахнов С.Н., Аксенова Л.Е., Аксенов К.Д., Козина Е.В., Вронская В.В., Мясникова В.В.
Разработка модели глубокого машинного обучения для обнаружения биомаркеров анатомического и функционального исхода анти-VEGF-терапии на ОКТ-изображениях сетчатки
НМИЦ «МНТК «Микрохирургия глаза» им. акад. С.Н. Федорова» Минздрава РФ
Пространство интеллектуальных решений
Кубанский государственный медицинский университет
Актуальность
Почти 200 млн человек во всем мире имеют ту или иную форму возрастной макулярной дегенерации (ВМД) [1]. Неоваскулярная форма ВМД (н-ВМД) составляет менее 10% от общего количества случаев ВМД и приводит к тяжелой потере зрения для большинства пациентов [2].
Введение ингибиторов фактора роста эндотелия сосудов (анти-VEGF-терапия) позволяет добиться регрессии процесса неоваскуляризации и сохранить зрение [3]. Тем не менее на сегодняшний день такой способ лечения представляет собой частые и дорогостоящие (1200 – 24000 долларов США в год) инъекции, которые в некоторых случаях могут сопровождаться осложнениями, например эндофтальмитом, дегенерацией желтого пятна и географической атрофией [4]. Кроме того, для пациентов с отслойкой пигментного эпителия (ОПЭ), при которой базальная мембрана ретинального пигментного эпителия (ПЭ) отделяется от внутреннего коллагенового слоя мембраны Бруха, показана возможность развития такого осложнении анти-VEGF-терапии, как разрыв ПЭ. Наиболее распространенной причиной разрыва ПЭ на сегодняшний день является н-ВМД. О подобных осложнениях впервые сообщили Хоскин и соавт. в 1981 г. [5]. Однако до сих пор было найдено мало информации относительно факторов, которые являются предикторами разрыва ПЭ.
В настоящее время признаки, которые позволяют прогнозировать исход анти-VEGF-терапии н-ВМД, в первую очередь основаны на исходных клинических характеристиках, таких как возраст [6], исходная острота зрения (ОЗ) [7, 8] и хориоидальная неоваскуляризация области поражения [9]. Кроме того, в литературе рассматриваются некоторые особенности сетчатки, которые могут быть оценены с помощью оптической когерентной томографии (ОКТ). Эти особенности являются биомаркерами – морфологическими и структурными изменениями, которые представляют важную информацию о стадии заболевания [10].
Биомаркеры эффективности анти-VEGF-терапии н-ВМД включают предикторы анатомического исхода, т.е. разрыва ПЭ, а также функционального исхода или конечной ОЗ. К первой группе, позволяющей оценить вероятность разрыва ПЭ, относят высоту ОПЭ [11 –13], увеличенную площадь поверхности, а также большой линейный диаметр субфовеолярной ОПЭ [14, 15]. Кроме того, данные нескольких исследований показывают, что тип ОПЭ также является предиктором анатомического исхода. Так, для серозного типа отслоек была показана большая вероятность прилегания ОПЭ, чем для фиброваскулярного [16, 17]. Несмотря на то что визуальные результаты после разрыва ОПЭ остаются плохими [18], некоторые исследования показывают, что анатомическая реакция ОПЭ на анти-VEGF-терапию может не коррелировать напрямую с визуальным исходом [16, 19]. Так, в исследовании Луиса Ариеса было показано, что улучшение зрения коррелировало с восстановлением нормальной центральной толщины сетчатки (ЦТС), а не с прилеганием ОПЭ [20].
Измерение ЦТС является наиболее распространенным и одним из первых биомаркеров ОКТ, выявленных в литературе [21]. По одним данным, этот биомаркер коррелирует с ОЗ как на базовом уровне, так и после лечения [22]. Однако, согласно другим авторам, из-за топографического распределения интраретинальной жидкости и наличия субретинальной жидкости, ЦТС может иметь низкую информативность для предсказания исхода терапии [23].
Биомаркерами функционального исхода анти-VEGF-терапии или предикторами конечной ОЗ являются объем друз [24], наличие интра- и субретинальной жидкости [25, 26], задняя отслойка стекловидного тела [27], толщина слоя ганглиозных клеток и толщина комплекса слоя нервных волокон и слоя ганглиозных клеток в макулярной зоне [28], ОЗ и гиперрефлексивные очаги во внешних слоях сетчатки при первичном обследовании [29], целостность и интенсивность эллипсоидной зоны [30, 31], а также базовое значение субфовеальной толщины хориоидеи [32].
На сегодняшний день получены различные данные относительно прогностических биомаркеров эффективности анти-VEGF-терапии. Тем не менее зачастую они довольно противоречивы как в количественном, так и в качественном проявлении. Кроме того, вариабельность между специалистами, оценивающими морфологические биомаркеры ОКТ, достаточно велика.
Для решения подобных проблем применяют сегментацию структур, а также патологических компонентов сетчатки. Сегментация – это процесс разделения цифрового изображения на несколько сегментов с целью упрощения изображения на что-то более значимое и более простое для анализа. Методы глубокого обучения широко используются для разработки моделей автоматизированной сегментации медицинских изображений. Некоторые такие алгоритмы интегрированы в ОКТ-томографы и позволяют оценивать изображения в момент их получения [33, 34]. Для сегментации ОКТ в основном используются сверточные нейронные сети. Так, в различных исследованиях была показана возможность обнаружения интраретинальной жидкости [35], субретинальной и интраретинальной жидкости [36], сегментации отдельных слоев сетчатки [37] и слоев сетчатки вместе с жидкостью [38], а также сегментации диска зрительного нерва [39]. Интересные результаты также были представлены в работе Джефри Де Фау, в которой после сегментации морфологических компонентов сетчатки следует этап определения клинической картины на основании обнаруженных биомаркеров. Результат клинической оценки показал, что такой автоматизированный алгоритм лучше или сопоставим по точности по крайней мере c 127 экспертами из 173 (73% случаев) [40].
Цель
Создание алгоритма автоматизированного обнаружения биомаркеров исхода анти-VEGF-терапии пациентов с н-ВМД и ОПЭ на снимках ОКТ.
Материал и методы
Данные
Для разработки алгоритма сегментации ОКТ-изображений нами был использован набор ретроспективных данных. Пациенты, включенные в исследование, получали анти-VEGF-терапию для лечения н-МВД в Краснодарском филиале с 2014 по 2021 г. В исследование были включены пациенты, которые проходили анти-VEGF-терапию и имели отслойку ПЭ по данным ОКТ. Критериями исключения являлись пациенты с отсутствием ОПЭ, а также пациенты с наличием субретинального фиброза. Для пациентов, которым анти-VEGF-терапия проводилась на обоих глазах, были получены ОКТ-изображения каждого глаза.
Данные пациентов в виде ОКТ-сканирований были получены при первом посещении с помощью SD-OCT (Cirrus HD-OCT 5000 Carl Zeiss Meditech). Для дальнейшего анализа были выбраны линейные B-сканы, соответствующие горизонтальному срезу через область самой высокой точки ОПЭ. Эти изображения были аннотированы двумя экспертами-клиницистами. Аннотация включала выделение биомаркеров анатомического и функционального исхода анти-VEGF-терапии, о которых сообщалось в литературе: (1) ped – отслойка пигментного эпителия; (2) rpe – пигментный эпителий сетчатки; (3) srf – субретинальная жидкость; (4) irf – интраретинальная жидкость; (5) ez – эллипсоидная зона; (6) rnfl – слой нервных волокон сетчатки; (7) shrm – субретинальный гиперрефлексивный материал. Ручная разметка изображений проводилась с помощью программного обеспечения Lableme, которое находится в открытом доступе по адресу: https://github.com/wkentaro/labelme.
Модель глубокого машинного обучения
Набор данных для разработки модели машинного обучения включал 251 аннотированное изображение SDOCT размером 506×338, полученное от пациентов, страдающих н-ВМД и имеющих ОПЭ (по 1 B-скану на пациента в случае одностороннего течения заболевания и по 2 – в случае двустороннего).
Полученный набор изображений был разделен на тренировочный и валидационный в отношении 80:20 соответственно. Предобработка включала уменьшение размера изображения до 256×256, нормализацию, а также транформацию в ч/б (grayscale) формат.
Для решения задачи сегментации структур сетчатки мы использовали семантическую сегментацию. Целью семантической сегментации изображения является маркировка каждого пикселя изображения соответственно определенному классу, в нашем случае – биомаркеру исхода анти-VEGF-терапии.
Архитектура нейронной сети представляла из себя полностью сверточную сеть UNET. Для модели UNET в качестве оптимизатора использовался алгоритм Adam со скоростью обучения 0,01 и функция потерь Categorical Cross-Entropy. Для предотвращения переобучения использовался алгоритм регуляризации Early stopping (ранняя остановка) с автоматическим восстановлением наилучших весов.
Для оценки эффективности предлагаемой модели сегментации мы использовали метрику точность (accuracy) (1) и коэффициент Дайса (DSC) (2), который позволяет сравнить вывод алгоритма с эталонными масками в медицинских приложениях, а также чувствительность (Recall) (3), Precision (точность) (4) [41]:
(1) Точность (Accuracy) = (TP +TN) / (TP+FP+FN+TN);
(2) Коэффициент Дайса (DSC) = 2TP / (2TP+FP+FN);
(3) Чувствительность (Sensitivity/Recall) = TP / (TP+FN);
(4) Точность (Положительное прогностическое значение/Precision) = TP / (TP+FP).
Эксперименты проводились на рабочей станции с процессором Intel Xeon, с двумя графическими процессорами Nvidia Tesla K80 емкостью 24 и 64 Гб оперативной памяти.
Сетевая архитектура предлагаемой модели UNET проиллюстрирована на рисунке 1.
Результаты
В результате сегментации ОКТ-изображений нами был получен набор данных для обучения нейронной сети. Количество полученных биомаркеров приведено в таблице 1.
Результаты обучения нейронной сети для каждого отдельного биомаркера были оценены с помощью измерения метрик эффективности работы модели на валидационном наборе (табл. 2).
Точность сегментации показывает процент пикселей в ОКТ-изображении, которые нейросеть классифицирует правильно. В результате применения модели к валидационному набору данных, точность сегментации показала высокие значения для определения всех биомаркеров – от 0,97 до 0,99.
Значения коэффициента Дайса, определяющего эффективность модели, лежат в пределах [0; 1], где 0 – полное несовпадение ручной сегментации и сегментации с помощью нейронной сети, а 1 – их полное совпадение. Согласно Зийденбос и соавт., хорошее значение DSC обычно больше 0,700 [42]. Можно отметить, что для ОПЭ сетчатки DSC показывает хорошее значение, равное 0,8. Для ПЭ и субретинальной жидкости значения DSC гораздо ниже и составляют 0,4, а для остальных биомаркеров и вовсе имеют значения от 0,3 до 0,15.
На рисунке 2 приведены примеры сегментации ОКТ-изображений относительно зон интереса с помощью нейронной сети.
Обсуждение
Биомаркеры, которые представляют собой объективные, поддающиеся количественной оценке морфологические признаки, позволяют улучшить наше понимание взаимосвязи между измеримыми биологическими процессами и клиническими исходами, а также расширить арсенал методов лечения различных патологий [43]. Автоматизированное обнаружение признаков, связанных с патологией, является многообещающим подходом к лечению и мониторингу заболеваний. Такое обнаружение в ряде случаев предполагает использование алгоритмов классификации. Например, в работе Прах и соавт. приводится классификация пациентов на тех, что нуждаются в анти-VEGF-терапии, и тех, кому она не показана [44]. Тем не менее при автоматизации процесса диагностики и ведения пациентов c помощью подобных алгоритмов существует проблема черного ящика, при которой врач не знает, на что ориентируется модель машинного обучения при выводе результата [45]. В настоящем исследовании этап сегментации биомаркеров позволяет сделать процесс принятия решений более прозрачным путем приближения его к реальной клинической практике.
Полученные результаты сегментации ОКТ-изображений показали высокую точность определения пикселей (accuracy), но низкую способность к сегментации (DSC). Это происходит из-за дисбаланса классов или слишком большого покрытия изображения одним классом (фон) и слишком маленького покрытия – другим (ez). В данном случае значения DSC являются наиболее показательными для оценки точности сегментации.
Ограничением этого исследования является относительно небольшой размер выборки, что привело к низким значениям DSC для большинства биомаркеров. Таким образом, дальнейшие исследования будут направлены на то, чтобы увеличить набор данных для обучения и валидации нейронной сети.
Заключение
В настоящем исследовании нами была разработана модель машинного обучения для обнаружения биомаркеров анатомического и функционального исхода анти-VEGF-терапии на ОКТ-изображениях. Коэффициент
Дайса показал хорошие значения для сегментации отслойки пигментного эпителия сетчатки. Дальнейшие исследования будут направлены на то, чтобы увеличить набор данных для обучения и валидации нейронной сети и повысить точность сегментации для других биомаркеров.
Информация об авторах
Борис Эдуардович Малюгин, д.м.н., профессор, boris.malyugin@gmail.com, https://orcid.org/0000-0001-5666-3493
Сергей Николаевич Сахнов, д.м.н., к.э.н., доцент, s_sakhnov@inbox.ru, https://orcid.org/0000-0003-2100-2972
Любовь Евгеньевна Аксенова, инженер, магистр естественных наук, axenovalubov@gmail.com, https://orcid.org/0000-0003-0885-1355
Кирилл Дмитриевич Аксенов, магистр информационной безопасности, ИТ-эксперт, разработчик, специалист по машинному обучению, axenov.kir@gmail.com, https://orcid.org/0000-0001-5391-5229
Елена Владимировна Козина, врач-офтальмолог, elena_eyedoc@mail.ru, https://orcid.org/0000-0002-2959-9649
Валерия Васильевна Вронская, врач-офтальмолог, Vronskaya0097@mail.ru, https://orcid.org/0000-0002-0456-4378
Виктория Владимировна Мясникова, д.м.н., доцент, vivlad7@mail.ru, https://orcid.org/0000-0003-1748-7962
Information about the authors
Boris E. Malyugin, Doctor of Sciences in Medicine, Professor, boris.malyugin@gmail.com, https://orcid.org/0000-0001-5666-3493
Sergei N. Sakhnov, Doctor of Sciences in Medicine, PhD in Economics, Associate Professor, s_sakhnov@inbox.ru, https://orcid.org/0000-0003-2100-2972
Lubov' E. Axenova, Engineer, Master of Natural Sciences, axenovalubov@gmail.com, https://orcid.org/0000-0003-0885-1355
Kirill D. Axenov, Master of Information Security, IT-expert, developer, machine learning specialist, axenov.kir@gmail.com, https://orcid.org/0000-0001-5391-5229
Elena V. Kozina, Ophthalmologist, elena_eyedoc@mail.ru, https://orcid.org/0000-0002-2959-9649
Valeriya V. Vronskaya, Ophthalmologist, Vronskaya0097@mail.ru, https://orcid.org/0000-0002-0456-4378
Victoriya V. Myasnikova, Doctor of Sciences in Medicine, Associate Professor, vivlad7@mail.ru, https://orcid.org/0000-0003-1748-7962
Вклад авторов в работу:
Б.Э. Малюгин: существенный вклад в концепцию и дизайн работы, окончательное утверждение версии, подлежащей публикации.
С.Н. Сахнов: существенный вклад в концепцию и дизайн работы.
Л.Е. Аксенова: существенный вклад в концепцию и дизайн работы, сбор, анализ и обработка материала, написание текста.
К.Д. Аксенов: статистическая обработка данных, редактирование.
Е.В. Козина: существенный вклад в концепцию и дизайн работы, сбор, анализ и обработка материала.
В.В. Вронская: сбор, анализ и обработка материала.
В.В. Мясникова: существенный вклад в концепцию и дизайн работы, редактирование, окончательное утверждение версии, подлежащей публикации.
Authors' contribution:
B.E. Malyugin: significant contribution to the concept and design of the work, final approval of the version to be published.
S.N. Sakhnov: significant contribution to the concept and design of the work.
L.E. Axenova: significant contribution to the concept and design of the work, collection, analysis and processing of material, writing.
K.D. Axenov: statistical data processing, editing.
E.V. Kozina: significant contribution to the concept and design of the work, collection, analysis and processing of material.
V.V. Vronskaya: collection, analysis and processing of material.
V.V. Myasnikova: significant contribution to the concept and design of the work, editing, final approval of the version to be published.
Финансирование: Авторы не получали конкретный грант на это исследование от какого-либо финансирующего агентства в государственном, коммерческом и некоммерческом секторах.
Согласие пациента на публикацию: Письменного согласия на публикацию этого материала получено не было. Он не содержит никакой личной идентифицирующей информации.
Конфликт интересов: Отсутствует.
Funding: The authors have not declared a specific grant for this research from any funding agency in the public, commercial or not-for-profit sectors.
Patient consent for publication: No written consent was obtained for the publication of this material. It does not contain any personally identifying information.
Conflict of interest: Тhere is no conflict of interest.
Поступила: 29.11.2022
Переработана: 11.12.2022
Принята к печати: 18.12.2022
Originally received: 29.11.2022
Final revision: 11.12.2022
Accepted: 18.12.2022
Страница источника: 77
OAI-PMH ID: oai:eyepress.ru:article57503
Просмотров: 2281
Каталог
Продукции
Организации
Офтальмологические клиники, производители и поставщики оборудования
Издания
Периодические издания
Партнеры
Проекта Российская Офтальмология Онлайн