Deep Learning-Based Longitudinal Prediction of Childhood Myopia Progression Using Fundus Image Sequences and Baseline Refraction Data

要約

小児期の近視は、重要な世界的な健康上の懸念を構成しています。
それはエスカレートする有病率を示し、家族的な幸福に悪影響を及ぼし、かなりの経済的コストを生み出す深刻で不可逆的な条件に進化する可能性があります。
現代の研究は、近視の進行を正確に予測してタイムリーで効果的な介入を可能にすることの重要性を強調しており、それにより子供の重度の視覚障害を回避します。
このような予測は、主に主観的な臨床評価に依存しており、本質的に偏った資源集約的であるため、広範囲にわたる応用が妨げられています。
この研究では、Fundus画像とベースライン屈折データのみを使用して、小児の近視軌道と近視リスクを定量的に予測するための新しい高精度の方法を紹介します。
このアプローチは、16,211の眼底画像と対応する屈折データを利用して、河南省の3,408人の子供を対象とした6年間の縦断的研究を通じて検証されました。
深い学習に基づく私たちの方法は、それぞれ近視と高近視の発達のリスクを予測するために、年間0.311D、AUCスコア0.944と0.995のエラーマージンで予測精度を実証しました。
これらの調査結果は、特に追加のメタデータと繰り返しの相談の必要性を排除することにより、早期介入戦略をサポートし、医療コストを大幅に削減する際のモデルの有用性を確認します。
さらに、私たちの方法は、メタデータや医師からの複数の問い合わせを必要とせずに、眼底画像と屈折エラーデータのみに依存するように設計され、関連する医療費を強く削減し、大規模なスクリーニングを促進しました。
私たちのモデルは、単一の時間測定のみに基づいて良い予測を提供することもできます。
その結果、提案された方法は、経済的格差によって引き起こされる医学的不平等を減らすための重要な手段です。

要約(オリジナル)

Childhood myopia constitutes a significant global health concern. It exhibits an escalating prevalence and has the potential to evolve into severe, irreversible conditions that detrimentally impact familial well-being and create substantial economic costs. Contemporary research underscores the importance of precisely predicting myopia progression to enable timely and effective interventions, thereby averting severe visual impairment in children. Such predictions predominantly rely on subjective clinical assessments, which are inherently biased and resource-intensive, thus hindering their widespread application. In this study, we introduce a novel, high-accuracy method for quantitatively predicting the myopic trajectory and myopia risk in children using only fundus images and baseline refraction data. This approach was validated through a six-year longitudinal study of 3,408 children in Henan, utilizing 16,211 fundus images and corresponding refractive data. Our method based on deep learning demonstrated predictive accuracy with an error margin of 0.311D per year and AUC scores of 0.944 and 0.995 for forecasting the risks of developing myopia and high myopia, respectively. These findings confirm the utility of our model in supporting early intervention strategies and in significantly reducing healthcare costs, particularly by obviating the need for additional metadata and repeated consultations. Furthermore, our method was designed to rely only on fundus images and refractive error data, without the need for meta data or multiple inquiries from doctors, strongly reducing the associated medical costs and facilitating large-scale screening. Our model can even provide good predictions based on only a single time measurement. Consequently, the proposed method is an important means to reduce medical inequities caused by economic disparities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google