Morph-SSL: Self-Supervision with Longitudinal Morphing to Predict AMD Progression from OCT

要約

タイトル: 長期的な形態変化による自己教師あり学習を用いたOCT からiAMDからnAMDへの進行の予測

要約:
– 中等症から新生血管型(非感染性)の加齢性黄斑変性(iAMD,nAMD)への転換を予測することは困難である。
– しかし、OCTを使ってAMDの経過を監視するために長期的なOCTスキャンが生成されるが、そのほとんどは手動でラベル付けされていないため、教師あり学習のために使用することができない。
– このために、Morph-SSLと呼ばれる、進行の予測に必要となる特徴を学習する自己教師あり学習の方法が提案された。
– Morph-SSLでは、前回の訪問時のスキャンを次の訪問時のスキャンに変形させることで、教師なしのOCTスキャンのペアを使用する。また、自己教師ありデコーダにより変換が予測され、線形補間により訪問時の中間スキャンが生成される。
– 次に、Morph-SSLでトレーニングされた特徴が盛り込まれた教師あり分類器が、6ヶ月以内のnAMDへの転換の累積確率分布をシグモイド関数でモデル化するために教師ありでトレーニングされた。
– Morph-SSLは、399の目の非ラベル付きスキャン(3570訪問)でトレーニングされた。この分類器は、343の目の2418のスキャンで5つの交差検証を使用して評価され、nAMD の発症の予測において、AUCは0.766を達成し、従来の教師ありの学習に比べて優れた予測力があるという結果が出た。
– nAMD発症の自動的な予測は、タイムリーな治療と個別化されたAMDの管理を可能にする。

要約(オリジナル)

The lack of reliable biomarkers makes predicting the conversion from intermediate to neovascular age-related macular degeneration (iAMD, nAMD) a challenging task. We develop a Deep Learning (DL) model to predict the future risk of conversion of an eye from iAMD to nAMD from its current OCT scan. Although eye clinics generate vast amounts of longitudinal OCT scans to monitor AMD progression, only a small subset can be manually labeled for supervised DL. To address this issue, we propose Morph-SSL, a novel Self-supervised Learning (SSL) method for longitudinal data. It uses pairs of unlabelled OCT scans from different visits and involves morphing the scan from the previous visit to the next. The Decoder predicts the transformation for morphing and ensures a smooth feature manifold that can generate intermediate scans between visits through linear interpolation. Next, the Morph-SSL trained features are input to a Classifier which is trained in a supervised manner to model the cumulative probability distribution of the time to conversion with a sigmoidal function. Morph-SSL was trained on unlabelled scans of 399 eyes (3570 visits). The Classifier was evaluated with a five-fold cross-validation on 2418 scans from 343 eyes with clinical labels of the conversion date. The Morph-SSL features achieved an AUC of 0.766 in predicting the conversion to nAMD within the next 6 months, outperforming the same network when trained end-to-end from scratch or pre-trained with popular SSL methods. Automated prediction of the future risk of nAMD onset can enable timely treatment and individualized AMD management.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI