Harnessing the power of longitudinal medical imaging for eye disease prognosis using Transformer-based sequence modeling

要約

ディープラーニングは、医療画像からの自動診断における画期的な進歩を可能にし、眼科への応用で多くの成功を収めています。
ただし、標準的な医用画像分類アプローチでは、画像取得時の疾患の存在のみを評価し、縦断画像の一般的な臨床設定を無視しています。
加齢黄斑変性症（AMD）や原発開放隅角緑内障（POAG）などのゆっくりと進行する眼疾患の場合、患者は時間をかけて繰り返し画像検査を受けて病気の進行を追跡し、適切な治療計画を立てるためには将来の病気の発症リスクを予測することが重要です。
私たちが提案する生存分析のための縦断トランスフォーマー (LTSA) は、長期にわたる不規則な期間にわたって撮影された眼底写真画像のシーケンスから病気に至るまでの時間をモデル化し、縦断医療画像から動的疾患予後を可能にします。
加齢関連眼疾患研究 (AREDS) および高眼圧症治療研究 (OHTS) からの長期画像データを使用したところ、LTSA は、後期 AMD 予後に関する 19/20 の直接比較および 18/20 の単一画像ベースラインを大幅に上回りました。
POAG 予後の比較。
また、時間的注意分析では、通常、最新の画像が最も影響力を持ちますが、以前の画像が依然として追加の予後値を提供することも示唆されました。

要約(オリジナル)

Deep learning has enabled breakthroughs in automated diagnosis from medical imaging, with many successful applications in ophthalmology. However, standard medical image classification approaches only assess disease presence at the time of acquisition, neglecting the common clinical setting of longitudinal imaging. For slow, progressive eye diseases like age-related macular degeneration (AMD) and primary open-angle glaucoma (POAG), patients undergo repeated imaging over time to track disease progression and forecasting the future risk of developing disease is critical to properly plan treatment. Our proposed Longitudinal Transformer for Survival Analysis (LTSA) enables dynamic disease prognosis from longitudinal medical imaging, modeling the time to disease from sequences of fundus photography images captured over long, irregular time periods. Using longitudinal imaging data from the Age-Related Eye Disease Study (AREDS) and Ocular Hypertension Treatment Study (OHTS), LTSA significantly outperformed a single-image baseline in 19/20 head-to-head comparisons on late AMD prognosis and 18/20 comparisons on POAG prognosis. A temporal attention analysis also suggested that, while the most recent image is typically the most influential, prior imaging still provides additional prognostic value.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google