التعلم العميق فعال لتصنيف صور OCT بين الحالة الطبيعية وضمور البقعة المرتبط بالعمر

الهدف: قدّمت البداية في السجلات الطبية الإلكترونية (EMR) مع قواعد بيانات كبيرة للتصوير الإلكتروني، بالإضافة إلى التقدم في الشبكات العصبية العميقة مع التعلم الآلي، فرصة فريدة لتحقيق إنجازات في تحليل الصور الآلي. يعتبر التصوير بالتماس الضوئي (OCT) أكثر أنماط التصوير شيوعًا في طب العيون ويُمثّل مجموعة بيانات كثيفة وغنية عند دمجها مع البيانات المُشتقّة من السجلات الطبية الإلكترونية. هدفنا هو تحديد ما إذا كان يمكن استخدام التعلم العميق لتمييز صور OCT الطبيعية عن صور المرضى الذين يعانون من التنكس البقعي المرتبط بالعمر (AMD).الطرق: تم تنفيذ استخراج آلي لقاعدة بيانات OCT وربطها بنقاط النهاية السريرية من السجلات الطبية الإلكترونية. تم الحصول على مسح بقعة العين بواسطة جهاز Heidelberg Spectralis، وتم ربط كل صورة OCT بنقاط النهاية السريرية المستخرجة من نظام EPIC. تم اختيار الصور الوسطى الحادية عشرة من كل مسح OCT لكل من مجموعتين من المرضى: الطبيعيين والمرضى الذين يعانون من AMD. تم أداء التحقق المتقابل باستخدام مجموعة عشوائية من المرضى. تم بناء منطقة تحت المنحنى الاستقبالي التشغيلي (auROC) على مستوى الصورة المستقلة، وعلى مستوى OCT البقعة، وعلى مستوى المريض.النتائج: من بين 2.6 مليون صورة OCT مرتبطة ببيانات سريرية مستخرجة من السجلات الطبية الإلكترونية، تم اختيار 52,690 صورة OCT بقعة طبيعية و48,312 صورة OCT بقعة لمرضى AMD. تم تدريب شبكة عصبية عميقة على تصنيف الصور كطبيعية أو AMD. على مستوى الصورة، حققنا نسبة auROC بلغت 92.78% بدقة بلغت 87.63%. على مستوى البقعة، حققنا نسبة auROC بلغت 93.83% بدقة بلغت 88.98%. على مستوى المريض، حققنا نسبة auROC بلغت 97.45% بدقة بلغت 93.45%. كانت الحساسية والعجز الأقصى عند النقاط المثلى هي 92.64% و93.69% على التوالي.الاستنتاجات: تقنيات التعلم العميق فعالة في تصنيف صور OCT. لهذه النتائج أهمية كبيرة في استخدام OCT في الفحوصات الآلية وأدوات التشخيص المساعدة بالكمبيوتر.