OCTおよびOCTアンギオグラフィに基づく深層学習支援型AMDステージング
本研究は、OCT/OCTAデータを用いて加齢黄斑変性（AMD）の重症度を自動分類する深層学習モデルを開発した。271名の参加者において、バイオマーカーマップ、2D en face投影、3Dボリュームの3つのモデルを評価。すべてのモデルが良好な性能を示し、バイオマーカーベースモデルが最高の総合性能（QWK=0.85）を達成し、特に早期AMD検出に優れていた。
新たな研究により、深層学習モデルを用いて加齢黄斑変性（AMD）の自動ステージングが可能であることが示された。この研究では、光干渉断層計（OCT）およびOCTアンギオグラフィ（OCTA）データに基づいて3つの異なる深層学習モデルを開発し、その性能を評価した。
研究には50歳以上の271名の参加者が含まれ、様々な重症度のAMDを有していた。全参加者に対して、スイープソースOCTAシステム（SOLIX; Visionix/Optovue Inc., CA）を用いて中心黄斑6×6mmのOCT/OCTAボリュームを取得。AMDの重症度はAREDS簡易重症度スケールに従い、4段階（AMDなし、早期AMD、中期AMD、進行AMD）に分類された。
開発された3つのモデルは、異なる入力モダリティに基づいている：（1）網膜液、ドルーゼン、地図状萎縮（GA）、黄斑新生血管（MNV）などのセグメント化された病理学的特徴から導出されたバイオマーカーマップ、（2）2次元（2D）en face OCTおよびOCTA投影、（3）3次元（3D）OCT/OCTAボリューム。すべてのモデルはEfficientNetベースのアーキテクチャを使用し、正規化入力、データ拡張、5分割交差検証を用いて訓練された。
分析対象は、271名の参加者351眼から得られた合計2,030のOCT/OCTAボリュームであった。すべてのモデルは強力なAMDステージング性能を示し、参照標準と実質的な一致を示した（QWK≧0.83）。バイオマーカーベースモデルは最高の総合性能（QWK = 0.85 ± 0.03、平均±標準偏差）を達成し、早期AMDの検出においても最良の結果（F1スコア = 0.59 ± 0.14）を示した。3Dモデルは2D OCT/OCTAモデルと同等の性能を示し（QWK = 0.83 ± 0.04 vs. 0.83 ± 0.09）、一方2D OCT/OCTAモデルは最も高い精度（0.79 ± 0.06）を示し、AMDなしの眼を最も正確に識別した。
この研究は、OCT/OCTAデータを用いた深層学習モデルがAMD重症度を正確かつ自動的に分類できることを示している。評価されたアプローチの中で、バイオマーカーベースモデルは最もバランスの取れた性能を提供し、早期AMD検出において特に価値があることが示された。この技術は、特に早期段階での介入において、臨床現場でのAMDスクリーニングおよび診断を支援する可能性がある。