깊은 학습은 정상과 노인성 황반변성을 구분하는 OCT 이미지 분류에 효과적이다.

목적: 전자 의료 기록(EMR)과 대규모 전자 영상 데이터베이스의 도입, 그리고 머신 러닝을 활용한 심층 신경망의 발전은 자동화된 이미지 분석에서 중요한 성취를 이루는 독특한 기회를 제공하였습니다. 광학 코히런스 단층 촬영(OCT)은 안과에서 가장 일반적으로 획득되는 영상 모달리티이며, EMR에서 파생된 라벨과 결합하면 밀도가 높고 풍부한 데이터셋을 형성합니다. 우리는 심층 학습이 정상 OCT 이미지와 노인성 황반변성(AMD) 환자의 OCT 이미지를 구분하는 데 사용될 수 있는지를 확인하고자 하였습니다.방법: OCT 영상 데이터베이스의 자동 추출을 수행하여 EMR와 임상 결과를 연결하였습니다. Heidelberg Spectralis를 통해 OCT 맥락막 스캔을 획득하였으며, 각 OCT 스캔은 EPIC에서 추출한 EMR 임상 결과점수와 연결되었습니다. 두 개의 환자 집단(정상군과 AMD군)에서 각 OCT 스캔의 중앙 11개 이미지를 선택하였습니다. 교차 검증은 환자들의 무작위 부분집합을 사용하여 수행되었습니다. 수신자 조작 특성 곡선(AUROC)은 독립적인 이미지 수준, 맥락막 OCT 수준, 그리고 환자 수준에서 구성되었습니다.결과: EMR에 연결된 260만 건의 OCT 이미지 중 52,690건의 정상 OCT 맥락막 이미지와 48,312건의 AMD OCT 맥락막 이미지를 선별하였습니다. 심층 신경망을 이용하여 이미지를 정상 또는 AMD로 분류하도록 훈련시켰습니다. 이미지 수준에서는 AUROC가 92.78%, 정확도가 87.63%를 달성하였습니다. 맥락막 OCT 수준에서는 AUROC가 93.83%, 정확도가 88.98%를 달성하였습니다. 환자 수준에서는 AUROC가 97.45%, 정확도가 93.45%를 달성하였습니다. 최적의 절단값에서 감도와 특이도는 각각 92.64%와 93.69%였습니다.결론: 심층 학습 기술은 OCT 이미지를 분류하는 데 효과적입니다. 이러한 연구 결과는 자동화된 스크리닝 및 컴퓨터 보조 진단 도구에서 OCT를 활용하는 것에 중요한 의미를 가지고 있습니다.