מתקצר: פרופ' מרדכי רוזנר

למידה עמוקה גאומטרית לזיהוי מאפיינים תלת-ממדיים של ראש עצב הראייה לאבחנה של גלאוקומה 

 

גלאוקומה היא הגורם המוביל לעיוורון בלתי הפיך הפוגעת בערך ב- 70 מיליון אנשים בכל העולם, ומשערים שתפגע ב- 111.8 מיליון אנשים ב- 2040. זוהי מחלה מולטיפקטוריאלית שמאופיינת בנזק מבני פרוגרסיבי בראש עצב הראייה ואיבוד אקסונים של תאי הגנגליון של הרשתית העוברים בראש עצב הראייה.

 

 OCT שהינו אמצעי הדמיה תלת ממדית מהיר, בעל יכולת הפרדה גבוהה, כמותי, ולא חודרני, מאפשר לראות ולמדוד שינויים מורפולוגיים מורכבים שמתרחשים בראש עצב הראייה בגלאוקומה. מחקרים רבים בעבר בדקו את היכולות האבחנתיות של מספר מדדים מבניים שהופקו מסריקות OCT, כמו עובי שכבת סיבי העצב של הרשתית (RNFL) יחד עם שטח הדיסקה והיחס שבין הקעור לשטח הדיסקה, עובי שכבות תאי הגנגליון יחד עם השכבה הפלקסיפורמית הפנימית (GCL + IPL), עובי המקולה, הרוחב המינימלי של הפתח של הפתח בממברנת ברוקס והשטח של הפתח בממברנת ברוקס, עומק הלמינה קריברוזה ואינדקס העקמימות של הלמינה קריברוזה. למרות זאת הגיעו למסקנה שמבחינה קלינית ה- OCT הכרחי, אולם איננו מספיק כדי לזהות גלאוקומה.

 

הסיבה לכך היא שמדדים אלה של ראש עצב הראייה לא מבטאים באופן מלא את המבנה התלת ממדי של העצב בגלאוקומה.

 

לאחרונה נעשה שימוש בטכניקות למידת עומק כדי לשפר את יכולת האבחנה של גלאוקומה. בהתבסס על ההדמיות שהופקו בוצעה קלסיפיקציה של גלאוקומה על פי המדדים המקובלים לגבי ראש עצב הראייה, על פי סקירות דו-ממדיות של OCT, או לפי סקירות תלת ממדיות של OCT.

 

רוב המחקרים האלה דיווחו על תוצאות מבטיחות, אולם שתי הקבוצות הראשונות כשלו בכך שלא ביטאו באופן מלא את השינויים התלת ממדיים של ראש עצב הראייה, בניגוד לקבוצה השלישית, אשר בה נעשה שימוש בכל הנתונים הגולמיים לצורך עיבודם ברשת נוירונים.

 

עיבוד מחשובי כזה הינו יקר ומצריך כמות גדולה של זיכרון מחשב. החוקרים נאלצו להקטין את גודל הקבוצה ממנה נלקחו הנתונים או לשנות את סידור רשת הנוירונים כדי להתאימה לזיכרון המחשבים.

 

 

במחקר הנוכחי ניסו החוקרים (1) לפתח ייצוג יעיל של המבנה התלת-ממדי המורכב של ראש עצב הראייה בצורה שתפחית באופן משמעותי את כמות המידע המיותר שבסקירת ה- OCT, (2) להשוות את הביצועים של שתי טכניקות חדשות של למידה עמוקה גאומטרית באבחנה של גלאוקומה מהדמיות תלת-ממדיות של OCT, ו- (3) לזהות את המאפיינים התלת-ממדיים של ראש עצב הראייה שהינם קריטיים לאבחנה של גלאוקומה. החוקרים היו מסינגפור, ליטא, ארה"ב ושוויץ.

 

במחקר נכללו סך הכל 2247 סקירות OCT של עיניים ללא גלאוקומה ו- 2259 סקירות של עיניים עם גלאוקומה מ- 1725 משתתפים. כל הסקירות בתלת-ממד בוצעו באמצעות מכשירי Spectralis OCT.

 

כל הסקירות עברו סגמנטציה אוטומטית באמצעות למידה עמוקה כדי לזהות רקמות חיבור ורקמות עצבים עיקריות. כל ראש עצב ראייה קיבל ייצוג כ- 3D point cloud. בוצע שימוש ב- PointNet וב- Dynamic graph convolutional neural network (DGCNN) כדי לזהות גלאוקומה ולזהות את המאפיינים התלת-ממדיים של ראש עצב הראייה הקריטיים לאבחנה של גלאוקומה.

 

שתי הטכניקות של למידה עמוקה - PointNet ו- DGCNN, היו מסוגלות לזהות גלאוקומה בדייקנות מה- 3D ONH point clouds. המאפיינים המבניים הקריטיים של ראש עצב הראייה יצרו מעין צורת שעון חול כאשר רובם היו ממוקמים בטבעת הנוירורטינלית (neuroretinal rim) ברבע התחתון והעליון של ראש עצב הראייה.

 

המסקנות היו שהדיוק האבחנתי של שתי הטכניקות החדשות של למידה עמוקה גאומטרית לאבחנה של גלאוקומה מהדמיות תלת-ממדיות של OCT היה מצוין.

 

בנוסף לכך זוהו המאפיינים התלת ממדיים הקריטיים של ראש עצב הראייה לאבחנה של גלאוקומה, אשר שיפרו בצורה עצומה את השקיפות ואפשרות הפירוש של תוצאות השיטה. אי לכך לגישה החדשה יש פוטנציאל לשימוש באפליקציות קליניות לאבחנה ולצפיית הפרוגנוזה של טווח רחב של הפרעות ברפואת עיניים.