Что такое глаукома?
- Какие структуры макулы или головки зрительного нерва лучше подходят для диагностики глаукомы? Ответ с использованием ИИ и широкоугольной оптической когерентной томографии(arXiv)
Автор: Чарис Ю. Н. Чанг, Фабиан Брау, Танадет Чуангсуванич, Ройстон К. Ю. Тан, Жаклин Чуа, Леопольд Шметтерер, Александр Тьери, Мартин Буист , Майкл Ж. А. Жирар
Аннотация:Цель: (1) Разработать алгоритм глубокого обучения для автоматической сегментации структур диска зрительного нерва (ГЗН) и макулы при трехмерном широкопольном сканировании оптической когерентной томографии (ОКТ); (2) Оценить, обеспечивают ли трехмерные структуры макулы или ДЗН (или их комбинацию) наилучшие диагностические возможности для глаукомы. Методы. Было проведено перекрестное сравнительное исследование, которое включало ОКТ-сканы с широким полем обзора 319 пациентов с глаукомой и 298 пациентов без глаукомы. Все сканы были компенсированы для улучшения видимости глубоких тканей. Мы разработали алгоритм глубокого обучения для автоматической маркировки всех основных структур ткани ДЗН, используя для обучения 270 аннотированных вручную B-сканов. Производительность нашего алгоритма оценивалась с помощью коэффициента Дайса (DC). Затем был разработан алгоритм классификации глаукомы (3D CNN) с использованием комбинации 500 томов ОКТ и соответствующих им автоматически сегментированных масок. Этот алгоритм был обучен и протестирован на 3 наборах данных: сканы ОКТ, обрезанные так, чтобы они содержали только макулярные ткани, те, которые содержали бы только ткани ДЗН, и сканы ОКТ с полным широким полем. О производительности классификации для каждого набора данных сообщалось с использованием AUC. Результаты. Наш алгоритм сегментации позволил сегментировать ткани ЗГН и макулы с DC 0,94 ± 0,003. Алгоритм классификации лучше всего позволял диагностировать глаукому с использованием объемных изображений 3D-OCT с широким полем зрения с AUC 0,99 ± 0,01, затем следовали объемы ЗГН с AUC 0,93 ± 0,06 и, наконец, объемы макулы с AUC 0,91 ± 0,11. Выводы: это исследование показало, что использование ОКТ с широким полем зрения по сравнению с типичными изображениями ОКТ, содержащими только ДЗН или макулярную область, может позволить значительно улучшить диагностику глаукомы. Это может стимулировать массовое внедрение 3D-сканирования ОКТ с широким полем зрения. Для клинических исследований ИИ, в которых используются традиционные машины, мы рекомендуем использовать сканирование ONH, а не сканирование макулы.
2. Объяснимое обнаружение глаукомы на основе ИИ с использованием трансферного обучения и LIME(arXiv)
Автор: Тоухидул Ислам Чаян, Анита Ислам, Эфтихар Рахман, Мд. Танзим Реза, Тасним Сакиб Апон, МД. Голам Рабиул Алам
Аннотация:Глаукома является второй по значимости причиной частичной или полной слепоты среди всех нарушений зрения, которая в основном возникает из-за чрезмерного давления в глазу из-за беспокойства или депрессии, что повреждает зрительный нерв и создает проблемы со зрением. . Традиционный скрининг глаукомы — это трудоемкий процесс, который требует постоянного внимания медицинских работников, и даже в этом случае время от времени из-за нехватки времени и давления они не могут правильно классифицировать, что приводит к неправильному лечению. Были предприняты многочисленные усилия для автоматизации всей процедуры классификации глаукомы, однако эти существующие модели в целом имеют характеристики черного ящика, которые не позволяют пользователям понять основные причины прогноза, и поэтому практикующие врачи, как правило, не могут полагаться на эти системы. В этой статье после сравнения с различными предварительно обученными моделями мы предлагаем модель трансферного обучения, которая способна классифицировать глаукому с точностью 94,71%. Кроме того, мы использовали Local Interpretable Model-Agnostic Explanations (LIME), которые привносят объяснимость в нашу систему. Это усовершенствование позволяет медицинским работникам получать важную и исчерпывающую информацию, которая помогает им в принятии решений. Это также уменьшает непрозрачность и хрупкость традиционных моделей глубокого обучения.
3.Анализ секвенирования РНК генеза глаукомы у мышей(arXiv)
Автор:Джай Шарма, Видхьячаран Бхаскар
Аннотация: глаукома является основной причиной необратимой слепоты у людей старше 60 лет, на ее долю приходится от 6,6 до 8% всех случаев слепоты в 2010 г., но еще многое предстоит узнать о генетическом происхождении этой болезни. болезнь глаз. Благодаря современному развитию технологий секвенирования следующего поколения (NGS) ученые начинают больше узнавать о генетическом происхождении глаукомы. В этом исследовании используются анализы дифференциальной экспрессии (DE) и онтологии генов (GO) для изучения генетических различий между мышами с тяжелой глаукомой и несколькими контрольными группами. Образцы данных о головке зрительного нерва (ONH) и сетчатке по полногеномной экспрессии РНК из NCBI (NIH) используются для экспериментов по парному сравнению. Кроме того, методы анализа основных компонентов (PCA) и визуализации дисперсии используются для выполнения тестов контроля качества секвенированных данных. Также идентифицированы гены с асимметричным числом генов, поскольку они могут быть генами-маркерами для определенной степени тяжести глаукомы. Онтологии генов, обнаруженные в этом эксперименте, подтверждают существующие знания о генезисе глаукомы, обеспечивая уверенность в достоверности результатов. Будущие исследователи могут тщательно изучить списки генов, полученные в результате анализа DE и GO, чтобы найти потенциальные гены-активаторы или протекторы глаукомы у мышей, чтобы разработать лекарства или генную терапию для замедления или остановки прогрессирования заболевания. Общая цель состоит в том, чтобы в будущем такое лечение можно было проводить и для людей, чтобы улучшить качество жизни пациентов с глаукомой и снизить уровень слепоты от глаукомы.
