造影を利用したカラー写真における網膜非灌流領域の深層学習による病態解明基盤構築
| Project/Area Number |
22K16980
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 56060:Ophthalmology-related
|
|---|
| Research Institution | Jichi Medical University |
|---|
Principal Investigator |
坂本 晋一 自治医科大学, 医学部, 助教 (30721071)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,550,000 (Direct Cost: ¥3,500,000、Indirect Cost: ¥1,050,000)
Fiscal Year 2024: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
Fiscal Year 2023: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
Fiscal Year 2022: ¥1,950,000 (Direct Cost: ¥1,500,000、Indirect Cost: ¥450,000)
|
|---|
| Keywords | 深層学習 / 網膜非灌流領域 / 糖尿病網膜症 / 網膜静脈閉塞症 / カラー眼底写真 / 眼底写真 |
|---|
| Outline of Research at the Start |
糖尿病網膜症や網膜静脈閉塞症の網膜非灌流領域(non-perfusion area: NPA)は虚血により血管内皮増殖因子を産生し、失明に至る。NPAの検出にはアナフィラキシーショックのリスクある造影検査が必要だが、NPAの周囲にはいくつかの異常所見があり、カラー眼底写真からある程度の予想は出来る。造影検査からNPAを同定して深層学習し、カラー眼底写真からNPAを推測する人工知能の作成を試みており、NPA読影済み画像を大幅に増加し、精度の良い推測の実現を目指す。本研究の成果は、深層学習注視領域の可視化によるNPAを示す新規所見の探索、NPA進展危険領域の同定、危険所見の探索が期待される。
|
| Outline of Annual Research Achievements |
超広角眼底画像(UWF)画像から、疑似カラー眼底写真の非灌流領域(NPA)の大きさを推定する人工知能（AI）モデルを開発し、そのAIの精度と妥当性を検証し、有用であると2022年に報告した。今回はさらに、それを4施設の多施設データで構築した。
自治医科大学附属病院と他3施設のクリニックの計4施設において、Optos California（Nikon, Tokyo）で撮影されたUWF眼底画像を使用し、UWF蛍光眼底画像をアノテーションしたNPAの画像を使用した。NPAのある1062枚および、NPAのない74779枚のカラー眼底写真をランダムに選択してPraNetで深層学習を行った。5分割交差検証を行い、検証にはBland-Altman plotを使用した。 多施設で構築したAIでの結果は、外れ値は3.7%で、推定NPAと実測NPAの面積差の平均値は+51.09mm2(21DA：乳頭面積)であった。近似曲線はy = -0.1094x + 64.762で、R2 = 0.0094で、誤差の許容範囲(LOA) は600mm2(250DA)であった。単施設から多施設にデータを増やすことにより、誤差は14DAから21DAへ、誤差の許容範囲（LOA)は125DAから250DAへ拡大した。
以上を第4回日本眼科AI学会にて筆頭演者として発表した。
現在さらに精度を向上させるためにデータを増やし他の様々なニューラルネットワークを試している。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
PraNetベースのディープラーニングを用いて、血管造影を行わずにUWF画像のみからNPAサイズを推定できるAIモデルを多施設のデータを使用し、開発した。
|
| Strategy for Future Research Activity |
前年度で見極めた効率よく正確なニューラルネットワークいくつかを用い、多数のデータで学習し、一部のデータで実際に学習通りの予後になっているかの確認を行う。画像学習途中の画像を見える化を行い、人工知能が画像のどの部分を見ているかを見いだし、これからNPAになる未知の所見がないかを見極める。
|
Report
(2 results)
Research Products
(5 results)
