眼圧亢進症の写真から網膜神経線維層の厚さを予測して緑内障リスクを評価する深層学習

ハイライト

• 深層学習から導出された眼底写真による網膜神経線維層（RNFL）の厚さは、眼圧亢進症における原発性開放隅角緑内障（POAG）の発症リスクと相関しています。
• 機械対機械（M2M）モデルはOCTデータで訓練され、眼底画像からRNFLの厚さを正確に推定し、OCT装置の必要性を回避します。
• M2Mモデルによって同定された基準値のRNFLの厚さと時間経過による薄化率は、OHTSコホートでのPOAGへの変換を独立して予測します。
• M2M予測のRNFLの厚さは、非侵襲的で利用可能な緑内障リスクの層別化と進行モニタリングのバイオマーカーを提供します。

研究背景と疾患負担

原発性開放隅角緑内障（POAG）は、世界中で不可逆的な失明の主な原因であり、網膜ganglion細胞とその軸索の進行性の喪失が特徴で、臨床的には網膜神経線維層（RNFL）の薄化と視神経の損傷として現れます。早期検出とモニタリングは視力の喪失を防ぐために重要です。眼圧亢進症は、明らかな緑内障の損傷がない高眼圧を特徴とし、POAGの発症リスクを大幅に増加させます。Ocular Hypertension Treatment Study (OHTS)は変換のための臨床リスク要因を確立しましたが、現在の緑内障の診断と進行モニタリングは、世界的にはアクセスが困難でコストが高いOCTに依存することが多いです。

最近の深層学習の進歩により、従来の眼底写真からRNFLの厚さなどのイメージングバイオマーカーを予測することが可能になりました。このようなアプローチは、OCTに依存せずに既存の写真データを活用することで、緑内障リスク評価を民主化することができます。この劉らの研究では、OCTで訓練された深層学習モデル（機械対機械、M2M）が眼圧亢進症患者の眼底写真からRNFLの厚さを予測する能力と、POAG発症の予後価値を調査しています。

研究デザイン

この診断研究は、OHTS 1と2の多施設試験のデータを分析し、眼圧亢進症があり登録時に緑内障がない1636人の参加者（3272目の眼）を対象としています。研究期間は1994年2月から2008年12月まででした。基準値の眼底写真、人口統計学的パラメータ、臨床パラメータが含まれました。OCT由来のRNFLの厚さを解釈するように訓練されたM2M深層学習モデルは、66,714枚の眼底画像の大規模データセットから予測したRNFLの厚さの値を生成しました。

主要なアウトカムは、予測されたRNFLの厚さとPOAGへの変換との相関をCox比例ハザードモデルを使用して単変量および多変量解析で評価することでした。他の確立されたPOAGリスク要因（年齢、眼圧、中心角膜の厚さ、視野パラメータ、杯盤比）も評価されました。

主要な知見

1444人の参加者を解析した結果、平均年齢は56.0歳で、57.7%が女性でした。POAGに進展した眼は、POAGに進展しなかった眼（97.1 μm）と比較して、有意に低い基準値の予測RNFLの厚さ（94.1 μm）を示し、平均差は3.0 μm（95% CI 2.2–3.8; P < .001）でした。

単変量Cox解析では、予測されたRNFLの厚さが10 μm減少すると、POAGへの変換のハザードがほぼ2倍になることが明らかになりました（HR 1.97; 95% CI 1.60–2.42; P < .001）。他のリスク要因を調整した後でも、この関連性は有意でした（HR 1.83; 95% CI 1.49–2.25; P < .001）。確立されたリスク要因である高齢、高眼圧、中心角膜の薄さ、視野パターン標準偏差の悪化、平均偏差、杯盤比の大きさは、両方の解析で独立した予測因子でした。

重要なのは、モデルによって予測された時間経過によるRNFLの薄化率が強力なリスク要因であることです：1 μm/年の速い予測損失は、POAGのリスクを6倍に増加させました（HR 6.01; 95% CI 3.33–10.64; P < .001）。

これらの知見は、基準値と動的変化のM2M予測RNFLの厚さが、伝統的な臨床パラメータを超えて緑内障の発症リスクを予測する情報提供することを確認しています。

専門家のコメント

この研究は、OCTで測定されたRNFLの厚さで訓練された深層学習モデルが、広く利用可能な眼底写真から代替定量的バイオマーカーを生成する機械対機械アプローチの強力な翻訳応用例を示しています。

利点はアクセシビリティにあります—眼底写真は、ルーチンで低コストかつ携帯性の高いイメージングモダリティであり、特にOCTインフラストラクチャが欠けている設定で非常に価値があります。これらの予測は、特殊な機器を必要とせずにリスク層別化と進行モニタリングを支援できます。

ただし、いくつかの制限点を考慮する必要があります。研究コホートは、厳密にフォローアップされた臨床試験からの患者を含んでおり、多様な人口や実世界の臨床設定への汎用性はさらなる検証が必要です。また、デバイスや操作者間の画像品質と変動が深層学習モデルの性能に影響を与える可能性があります。本研究は眼圧亢進症の眼に焦点を当てているため、他の緑内障サブタイプへの有用性はまだ確立されていません。

これらの問題にもかかわらず、このアプローチはAIアルゴリズムを日常の臨床ワークフローに組み込む現在の傾向に一致しており、早期の緑内障診断と個別化された管理を向上させます。

結論

劉らの研究は、OCTで訓練された深層学習モデルが、眼圧亢進症の眼底写真からRNFLの厚さを正確に予測でき、これらの予測が原発性開放隅角緑内障への変換リスクを独立して予測することを堅実に示しています。

基準値の予測RNFLの厚さとその低下率は、既存の臨床リスク要因を補完する意味のあるバイオマーカーであり、非侵襲的で広く利用可能な方法で緑内障リスク評価と進行モニタリングに情報を提供します。これらの知見は、AIを活用したイメージングアナリティクスの潜在力を拡大し、緑内障ケアにおける臨床意思決定と患者の結果を改善します。

今後の研究は、より広範な人口に対する前向き検証と、リアルタイムの意思決定サポートのための臨床プラクティスプラットフォームへの統合に焦点を当てるべきです。この革新は、AIを使用したよりアクセスしやすく、効率的で定量的な眼科リスク層別化へのパラダイムシフトを代表しています。