Clustering disease trajectories in contrastive feature space for biomarker discovery in age-related macular degeneration

要約

加齢黄斑変性症 (AMD) は、高齢者の失明の主な原因です。
それにもかかわらず、病気の進行の正確なダイナミクスはよくわかっていません。
AMD の診断、予後、および管理を支援する網膜光コヒーレンストモグラフィー (OCT) におけるイメージング バイオマーカーの明確な必要性があります。
しかし、初期および中期の AMD を表す幅広いカテゴリーに病期を大まかにグループ化する現在の等級付けシステムでは、後期 AMD への転換の予後的価値は非常に限られています。
この論文では、自己教師あり特徴空間でクラスター化された軌跡として疾患の進行を分析した最初の人です。
私たちの方法は、最初に、縦時系列から特徴空間のポイントに画像を投影するために、対照的な学習を使用してエンコーダーを事前トレーニングします。
これにより、疾患の軌跡の作成が可能になり、ノイズが除去され、分割され、クラスターにグループ化されます。
8 年間にわたって画像化された 7,912 人の患者の時系列を含む 2 つのデータセットで見つかったこれらのクラスターは、既知の OCT バイオマーカーと相関していました。
これにより、AMD の進行を説明する時間依存バイオマーカーの候補として、臨床比較および解釈作業中にクラスターを調査する 4 人の専門眼科医による取り組みが強化されました。

要約(オリジナル)

Age-related macular degeneration (AMD) is the leading cause of blindness in the elderly. Despite this, the exact dynamics of disease progression are poorly understood. There is a clear need for imaging biomarkers in retinal optical coherence tomography (OCT) that aid the diagnosis, prognosis and management of AMD. However, current grading systems, which coarsely group disease stage into broad categories describing early and intermediate AMD, have very limited prognostic value for the conversion to late AMD. In this paper, we are the first to analyse disease progression as clustered trajectories in a self-supervised feature space. Our method first pretrains an encoder with contrastive learning to project images from longitudinal time series to points in feature space. This enables the creation of disease trajectories, which are then denoised, partitioned and grouped into clusters. These clusters, found in two datasets containing time series of 7,912 patients imaged over eight years, were correlated with known OCT biomarkers. This reinforced efforts by four expert ophthalmologists to investigate clusters, during a clinical comparison and interpretation task, as candidates for time-dependent biomarkers that describe progression of AMD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google