הערכת היכולת של אלגוריתם של למידה עמוקה ללא סגמנטציה לאבחן גלאוקומה מתמונות OCT 

תקציר: פרופ' מרדכי רוזנר

 

 

 

 

 

האבחנה של גלאוקומה מתבצעת באופן קליני בדרך כלל באמצעות שילוב הממצאים של גורמי סיכון, כמו גיל ולחץ תוך עייני, בדיקות להערכת נזק מבני לעצב הראייה ובדיקות תפקודיות של שדה ראייה.

 

בין הבדיקות להערכת נזק למבנה הרשתית,  ה- spectral-domain optical coherence tomography (OCT)  נמצא בשימוש השכיח ביותר ומאפשר קבלת הערכה כמותית של הנזק לראש עצב הראייה ולשכבת סיבי העצב של הרשתית.

 

לצורך קבלת מדידות כמותיות של עובי שכבת סיבי העצב של הרשתית בבדיקות השגרתיות מופעל אלגוריתם של סגמנטציה. למרות שמדידות עובי שכבת סיבי העצב של הרשתית יכולות ברוב המקרים לאבחן גלאוקומה, הן עלולות להיכשל כאשר יש טעויות בסגמנטציה. דווח על טעויות כאלה בשכיחות של 20 אחוזים ועד יותר מ- 40 אחוזים מהבדיקות, והן משפיעות במידה משמעותית על אבחנה של גלאוקומה באמצעות OCT.

 

גם ללא טעויות בסגמנטציה, הפיענוח של תוצאות בדיקת שכבת סיבי העצב של הרשתית באמצעות OCT עשוי להיות קשה בגלל ריבוי המדדים, המיפויים והתרשימים.

 

ההתקדמות באינטליגנציה מלאכותית (artificial intelligence) הביאה לפיתוח אלגוריתם של למידה עמוקה (deep learning) שמסוגל לזהות בתמונות תבניות מורכבות, ומשיג דרגות גבוהות של דיוק במטלות של סיווג תמונות שעשויות לעיתים לעלות על היכולת האנושית.

 

ניתן "לאמן" אלגוריתמים של למידה עמוקה כך שיבחנו תמונת OCT מלאה ויפיקו יותר מידע לגבי נזק גלאוקומטוטי מאשר מצב בו האלגוריתם בודק פרמטרים בודדים של תמונת OCT.

 

בחינה של תמונת OCT מלאה ללא סגמנטציה, עשויה גם לפטור מהצורך בהפרדה ידנית בין שכבות הרשתית השונות המוצגות בתמונה. על ידי בחינה של התמונה כולה, האלגוריתם של למידה עמוקה עשוי להפחית את מידת ה- false positives   שמופיעה כאשר הקלינאים מעריכים פרמטרים יחידים מרובים.

 

המטרה של המחקר הנוכחי הייתה לפתח אלגוריתם של למידה עמוקה להערכה של נזק גלאוקומטוטי מבני תוך כדי שימוש בתמונת OCT פרי-פפילרי מלאה ולהשוות את התוצאות לבחינת הפרמטרים המקובלים כיום של עובי שכבת סיבי העצב של הרשתית.

 

החוקרים היו מדורהם שבצפון קרולינה, ממרכז העיניים דיוק ומהמחלקה למדעי הסטטיסטיקה של אוניברסיטת דיוק. המחקר היה cross-sectional ונערך במוסד אחד.

 

במחקר השתמשו בתמונות OCT של עיניים עם גלאוקומה ושל עיניים נורמליות שצולמו ממרץ 2008 ועד אפריל 2019. האנליזה החלה באפריל 2018. התוצא העיקרי היה היכולת של האלגוריתם של למידה עמוקה להבדיל בין עיניים עם גלאוקומה לעיניים נורמליות.

 

במחקר נכללו 20,806 תמונות OCT מ- 1,154 עיניים של 635 אנשים. 612 (53 אחוזים) מהם היו עם גלאוקומה ו- 542 (47 אחוזים) היו עם עיניים נורמליות. הגיל הממוצע היה 70.8 בחולי הגלאוקומה ו- 55.8 בקבוצת הביקורת. 53.3  אחוזים בקבוצת הגלאוקומה היו נשים ו- 59.8 בקבוצת הביקורת.

 

מתוך 612 העיניים עם גלאוקומה 70.4 אחוזים היו עם גלאוקומה פרימטרית ו- 29.8 אחוזים היו עם גלאוקומה פרה-פרימטרית.

 

התוצאות הראו שהאלגוריתם של למידה עמוקה בתמונות ללא סגמנטציה היה עדיף מאשר בחינת הפרמטרים השונים של עובי שכבת סיבי עצב הרשתית באבחון נזק גלאוקומטוטי מבני בתמונות OCT במיוחד בשלבים המוקדמים של גלאוקומה.