Diyabetik Retinopati Tespitinde Derin Öğrenme Algoritması

Derin öğrenme, bir algoritmanın istenen davranışı gösteren, açıkça kuralları belirtme gereksinimini ortadan kaldıran geniş bir örnek grubundan öğrenerek kendisini programlamasına izin veren bir hesaplama yöntemleri ailesidir. Bu yöntemlerin tıbbi görüntülemeye uygulanması, daha fazla değerlendirme ve doğrulama gerektirir.

Amerika’dan araştırmacılar, retina fundusunda diyabetik retinopati ve diyabetik maküla ödeminin otomatik tespitinda bir algoritma oluşturmak için derin öğrenme uygulamayı amaçlayan bir çalışma yaptılar. Derin konvülsiyonel sinir ağı olarak adlandırılan görüntü sınıflandırması için optimize edilmiş belirli bir sinir ağı tipi, diyabetik retinopati, diyabetik maküla ödemi ve görüntü derecelendirilebilirliği için 3-7 kez derecelendirilen 128175 retinal görüntü, retrospektif geliştirme veri seti kullanılarak Mayıs ve Aralık 2015 tarihleri arasında 54 US lisanslı oftalmolog ve oftalmoloji üst düzey üyelerinden oluşan bir panel tarafından eğitildi. Ortaya çıkan algoritma, Ocak ve Şubat 2016'da, yüksek tutarlılığı olan en az 7 ABD sertifikalı belgeli göz hekimi tarafından derecelendirilmiş 2 ayrı veri seti kullanılarak doğrulandı. Algoritmanın orta ve kötü diyabetik retinopati olarak tanımlanan dirençli diyabetik retinopatiyi (RDR), referans diyabetik maküla ödemini veya her ikisini de saptamadaki duyarlılığı ve özgüllüğü, oftalmolog panelin çoğunluk kararının referans standardına dayalı olarak oluşturuldu. Algoritma, biri yüksek özgünlük için ve diğeri de yüksek hassasiyet için, gelişim setinden seçilen 2 çalışma noktasında değerlendirildi.

Derin Öğrenme ile Daha Yüksek Hassasiyet

EyePACS-1 veri seti, ortalama yaşları 54,4 ve %62,2’si kadın 4997 hastadan 9963 görüntüye (RDR prevelansı, 683/8878 tamamen derecelendirilebilir görüntüler [%7,8]) ve Messidor-2 veri seti ortalama yaşları 57,6 ve % 42,6’sı kadın toplam 874 hastadan 1748 görüntüye (RDR prevelansı, 254/1745 tamamen derecelendirilebilir görüntü [%14,6]) sahipti. RDR'yi saptamak için, algoritmanın EyePACS-1 için 0,991ve Messidor-2 için 0,990 alıcı çalışma eğrisi altında alanı vardı. EyePACS-1 için, yüksek özgünlük ile ilk çalışma kesme noktasını kullanarak hassasiyet % 90,3 ve özgüllük % 98,1’di. Messidor-2 için hassasiyet % 87,0 ve özgüllük % 98,5’ti. Gelişim setinde yüksek duyarlıklı ikinci bir çalışma noktası kullanılarak EyePACS-1 için hassasiyet % 97,5, özgüllük % 93,4, ve Messidor-2 için hassasiyet % 96,1 ve özgüllük % 93,9’du.

Araştırmacılar, diyabetli erişkinlerin retina fundus fotoğraflarının değerlendirilmesinde, derin makine öğrenmesine dayanan bir algoritmanın, referans diyabetik retinopatiyi saptamak için yüksek duyarlılık ve özgüllüğe sahip olduğunu belirttiler.