2017年12月27日

緑内障の視神経乳頭形状の自動分類 -機械学習モデルで緑内障の診断に貢献-

 理化学研究所(理研)光量子工学研究領域眼疾患クラウド診断融合連携研究チームの秋葉正博チームリーダー、横田秀夫副チームリーダー(同領域画像情報処理研究チームリーダー)、安光州客員研究員、東北大学大学院医学系研究科眼科学教室の中澤徹教授らの共同研究グループは、眼底検査装置からの定量値を用いて、緑内障の視神経乳頭形状分類を客観的に行う機械学習モデルを構築しました。

 緑内障は、高眼圧、網膜への血流量低下などのさまざまな危険因子により、視神経が損傷を受け、やがて失明に至る疾患です。緑内障の診療では、視神経乳頭形状に基づいたニコレラ分類が利用されています。ニコレラ分類は、眼循環や眼圧など緑内障の重要な危険因子に基づく分類であり、FI型、MY型、SS型、GE型の四つがあります。緑内障の病態を理解するのに有効ですが、これまではカラー眼底画像の医師の読影による主観的判断に基づいていたため、客観性がありませんでした。

 今回、共同研究グループは、眼底検査装置からの定量値を用いて視神経乳頭形状を客観的に識別する機械学習モデルの構築を試みました。眼底検査装置からの定量値とカルテ情報から各眼球の乳頭形状や血流パラメータなど計91個の情報を抽出し、緑内障114眼のデータを機械学習構築のためのトレーニングデータとし、まずこのトレーニングデータについて最適分類性能がでる特徴量を自動に選択しました。次に、限定した特徴量を用いて、機械学習モデルをつくりました。この結果、ニコレラ分類に有効な特徴量を9個に絞り、貢献度を定量化しました。トレーニングデータとは別の緑内障49眼を用いて構築したモデルの性能を検証したところ、モデルの正解率は87.8%でした。今後は、各症例に対して機械学習モデルによる確信度を提示することで、緑内障の客観的なデータに基づく臨床診断につながると期待できます。

 本研究成果は、米国の科学雑誌『PLOS ONE』のオンライン版(12月19日付け)に掲載されました。

 本研究は、株式会社トプコンとの共同研究により行われました。

pagetop