Development of Deep Learning Algorithms for Glaucoma Diagnosis with Various Imaging Modalities = 다양한 영상 기법을 이용한 녹내장 진단을 위한 딥러닝 알고리즘의 개발

다국어 초록 (Multilingual Abstract)

Purpose: To develop deep learning (DL) algorithms to detect highly myopic glaucoma using macular microvasculature assessed with swept–source optical coherence tomography angiography (SS–OCTA), and to differentiate glaucomatous optic neuropathy (GON) from non-glaucomatous optic neuropathy (NGON) using retinal nerve fiber layer (RNFL) and optic disc photographs.
Methods: This study included a total of 260 pairs of macular OCTA and OCT images from 260 eyes, comprising 203 eyes with highly myopic glaucoma and 57 eyes with healthy high myopia. In addition, a total of 765 pairs of RNFL and optic disc images from 765 eyes, including 618 eyes with GON and 147 eyes with NGON, were utilized. The DL models were trained, validated and tested using the macular OCTA and OCT images to differentiate highly myopic glaucoma from healthy high myopia, and the RNFL and optic disc photographs to discriminate GON from NGON. The main outcome measure was the area under the receiver operating characteristic curve (AUC) of the DL models.
Results: For differentiating highly myopic glaucoma from healthy high myopia, the DL model achieved an AUC of 0.946 with the OCTA superficial capillary plexus (SCP) images, which was comparable to that with the OCT GCL+ (AUC of 0.982, P = 0.268) or OCT GCL++ images (AUC of 0.997, P = 0.101), and significantly superior to that with the OCTA deep capillary plexus (DCP) images (AUC of 0.779, P = 0.028). For discriminating GON from NGON, the DL model revealed an AUC of 0.98 with the RNFL images, which was comparable to that with the optic disc (AUC of 0.99, P = 0.23) or combined RNFL and optic disc images (AUC of 0.97, P = 0.67), and was significantly superior to that with the masked RNFL (AUC of 0.94, P < 0.05) or combined masked RNFL and optic disc images (AUC of 0.96, P < 0.05).
Conclusion: The DL models, with various imaging modalities including macular OCTA SCP images as well as RNFL and optic disc images, demonstrated excellent performance in detecting glaucoma, suggesting the potential value of our DL models in clinical practice by helping clinicians make accurate diagnoses and treatment decisions.

국문 초록 (Abstract)

목적: 본 연구는 파장가변 빛간섭단층혈관조영술을 이용하여 평가한 황반부 미세혈관을 사용하여 고도 근시 녹내장을 진단하고, 망막신경섬유층 및 시신경 유두 영상을 이용하여 녹내장성 시신경병증과 비녹내장성 시신경병증을 감별하는 딥러닝 알고리즘을 개발하고자 하였다.
연구 방법: 총 260안(고도 근시 녹내장 203안, 정상 고도 근시 57안)으로부터 수집된 260쌍의 황반부 빛간섭단층혈관조영술 및 빛간섭단층촬영 영상을 포함하였다. 또한 총 765안(녹내장성 시신경병증 618안, 비녹내장성 시신경병증 147안)으로부터 수집된 총 765쌍의 망막신경섬유층 및 시신경 유두 영상을 사용하였다. 딥러닝 모델은 고도 근시 녹내장과 정상 고도 근시를 구별하기 위해 황반부 빛간섭단층혈관조영술 및 빛간섭단층촬영 영상을, 녹내장성 시신경병증과 비녹내장성 시신경병증을 감별하기 위해 망막신경섬유층 및 시신경 유두 영상을 이용하여 학습, 검증 및 테스트되었다. 주요 결과 지표로는 딥러닝 모델의 수신자 조작 특성 곡선 아래 면적 (area under the receiver operating characteristic curve, AUC)이 사용되었다.
결과: 고도 근시 녹내장과 정상 고도 근시 감별을 위한 딥러닝 모델은 빛간섭단층혈관조영술 표층 모세혈관총 영상을 이용하였을 때 AUC 0.946을 나타내었으며, 이는 빛간섭단층촬영 GCL+ (AUC 0.982, P = 0.268) 또는 빛간섭단층촬영 GCL++ 영상 (AUC 0.997, P = 0.101)과 비슷하였고, 빛간섭단층혈관조영술 심층 모세혈관총 영상 (AUC 0.779, P = 0.028)보다는 우수하였다. 또한 녹내장성 시신경병증과 비녹내장성 시신경병증의 감별을 위한 딥러닝 모델은 망막신경섬유층 영상을 이용하였을 때 AUC 0.98을 보였으며, 이는 시신경 유두 (AUC 0.99, P = 0.23) 또는 망막신경섬유층과 시신경 유두 영상을 결합한 영상 (AUC 0.97, P = 0.67)과 비슷하였고, 시신경 유두를 가린 망막신경섬유층 영상 (AUC 0.94, P < 0.05) 혹은 시신경 유두를 가린 망막신경섬유층과 시신경 유두 영상을 결합한 영상 (AUC 0.96, P < 0.05)보다는 우수하였다.
결론: 황반부 빛간섭단층혈관조영술 표층 모세혈관총, 망막신경섬유층, 시신경 유두 영상 등 다양한 영상 기법을 이용하여 개발한 딥러닝 모델은 녹내장을 진단하는데에 우수한 성능을 보였으며, 이는 본 연구에서 개발된 딥러닝 모델이 임상에서 진료의의 정확한 진단과 치료 결정을 돕는 데에 활용될 가능성을 시사한다.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1. Study Background 1
• 1.2. Research Question 4
• 1.3. Purpose of Research 4
• Chapter 2. Methods 6
• 2.1. Ethical Considerations 6
• 2.2. Participants 6
• 2.3. OCT Angiography and OCT Imaging 8
• 2.4. Image Dataset and Preprocessing 9
• 2.5. Deep Learning Model Development 10
• 2.6. Visual Explanation of Deep Learning Model’s Decisions 13
• 2.7. External Validation 13
• 2.8. Statistical Analyses and Performance Evaluation 13
• Chapter 3. Results 15
• 3.1. Demographics and Clinical Characteristics 15
• 3.2. Performance of Deep Learning Model 17
• 3.3. Heatmaps 23
• 3.4. External Validation 26
• Chapter 4. Discussion 30
• 4.1. Key Findings 30
• 4.2. Comparison with Literature 30
• 4.3. Implication of Study 32
• 4.4. Strengths and Limitations 33
• 4.5. Conclusion 35
• Bibliography 36
• Abstract in Korean 43