深層学習による緑内障視野進行の予測及び、反教師学習付きマルチモーダル学習への拡張

Research Project

Project/Area Number	19K18835
Research Category	Grant-in-Aid for Early-Career Scientists
Allocation Type	Multi-year Fund
Review Section	Basic Section 56060:Ophthalmology-related
Research Institution	The University of Tokyo
Principal Investigator	松浦将人東京大学, 医学部附属病院, 特任研究員 (00768351)
Project Period (FY)	2019-04-01 – 2020-03-31
Project Status	Discontinued (Fiscal Year 2019)
Budget Amount *help	¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000) Fiscal Year 2022: ¥130,000 (Direct Cost: ¥100,000、Indirect Cost: ¥30,000) Fiscal Year 2021: ¥520,000 (Direct Cost: ¥400,000、Indirect Cost: ¥120,000) Fiscal Year 2020: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000) Fiscal Year 2019: ¥2,080,000 (Direct Cost: ¥1,600,000、Indirect Cost: ¥480,000)
Keywords	緑内障 / Variational autoencoder
Outline of Research at the Start	① 半教師付き学習を応用した深層学習法を用いた視野結果と光干渉断層計による網膜神経節細胞層厚の特徴量抽出モデルを構築すること。②深層学習法による特徴量抽出には、VariatoinalAutoencoderを応用し、精度向上が図れることを明らかにする。更にニューラルネットワーク内部には、入力情報力が増加しても対応可能なランプ関数を応用することで、精度向上が行われることを明らかとする。③①で得られた視野、光干渉断層計による網膜神経節細胞層厚の特徴量のマルチモーダルな時間に対する回帰を行うモデルの構築すること。④①③による検証モデルを用いて視野進行解析・予測精度の精度向上が図れることを明らかとする。
Outline of Annual Research Achievements	これまでに東大で得られた全てのハンフリー視野（SITA standard 24-2 、30-2）による視野データ（9,139例168,383眼による82,433視野）を使用して、Variational autoencoder（VAE）により視野のノイズを取り除くアルゴリズムを構築した。VAEモデルは、２４－２視野の52点の視野感度をニューラルネットワークで処理を行い、二層の中間層を通じて8次元の正規分布に圧縮し、そこからさらに二層の中間層を介して視野再構成データとして出力するものであった。訓練は10,000回繰り返し、再構成誤差の減少が飽和したことを確認した。このモデルを用い、まず3か月以内に2回視野を測定したtest retestデータセット（3か月以内に2回視野検査を測定された104例104眼の開放隅角緑内障視野）で、まず一回目に測定した視野を、前述の訓練済みのVAEモデルを用いて再構成をし、このことが視野の再現性との関連から有用かを検証した。結果として、二回目と一回目の実視野の差と、一回目の実視野と再構成された視野の差には強い正の相関がありました。このことから実測の視野をVAEを用いて再構成することは真の視野を知ることに有用である可能性が強く示唆された。次に、開放隅角緑内障眼75例117眼の視野を用いて、光干渉断層計による傍ら視神経乳頭網膜神経視線維層厚（30度毎12セクター）との機能―構造関連を解析した。この結果、再構成した視野の方が12セクターのうち11セクターで機能―構造関連が強くなっていた。