ハイライト
• 深層学習（マシン・ツー・マシン）モデルは、眼圧亢進症患者の眼底写真から網膜神経線維層（RNFL）厚さを正確に予測できます。
• 低い基線予測RNFL厚さは、原発開放隅角緑内障（POAG）の発症リスクと有意に関連しています。
• 予測されたRNFL厚さの経時的な低下は、POAGへの転換を強力に予測し、緑内障リスクモニタリングを向上させます。
• 予測されたRNFL厚さの組み込みは、確立された臨床的リスク要因を補完し、緑内障管理におけるリスク層別化を改善します。
研究背景と疾患負荷
原発開放隅角緑内障（POAG）は、進行性の網膜神経節細胞損失と視神経損傷を特徴とする世界的な不可逆性失明の主な原因です。眼圧亢進（眼圧上昇）はPOAGの主要な修正可能なリスク要因ですが、すべての眼圧亢進症患者が緑内障を発症するわけではありません。適時に介入して視覚機能を守るために、緑内障への転換リスクが高い患者を正確に特定することが重要な課題となっています。
網膜神経線維層（RNFL）厚さは、光学干渉断層計（OCT）で測定可能で、早期の緑内障損傷の感度の高いバイオマーカーです。しかし、OCT装置はすべての臨床設定で広く利用できるわけではないため、長期的なOCT画像は資源集約型です。一方、眼底写真は広く利用可能な診断ツールです。深層学習を用いて眼底写真からRNFL厚さを予測することで、緑内障進行リスクを評価するスケーラブルでコスト効果の高い戦略を提供することができます。
研究デザイン
この診断研究では、目印となる眼圧亢進治療研究（OHTS）1および2試験のデータを活用し、眼圧亢進症（基線で緑内障なし）の1,636人の参加者（3,272眼）を対象としました。多施設のOHTS試験は1994年から2008年にかけて行われ、長期フォローアップと包括的な臨床データが提供されました。
このコホートから得られた66,714枚の眼底写真が使用されました。OCT由来のRNFL厚さ測定値で事前に訓練された機械対機械（M2M）深層学習モデルが、各写真からRNFL厚さを予測するために適用されました。予測された基線RNFLと経時的な変化は、人口統計学的および臨床的変数とともに分析されました。
主要なアウトカムには、予測されたRNFL厚さを眼圧亢進症からPOAGへの転換の独立したリスク要因として評価すること（単変量および多変量フレームワークでのCox比例ハザードモデルを使用）が含まれました。
主要な知見
解析された1,444人の参加者のうち、基線時の平均年齢は56歳で、女性は57.7％でした。主な発見には以下のものが含まれます：
- 最終的にPOAGに転換した目の平均基線予測RNFL厚さ（94.1 µm）は、転換しなかった目（97.1 µm）よりも有意に薄く、平均差は3.0 µm（95% CI, 2.2–3.8；P < .001）でした。
- 単変量解析では、予測されたRNFL厚さが10 µm減少するごとに、緑内障への転換リスクがほぼ2倍になりました（HR 1.97；95% CI, 1.60–2.42；P < .001）。
- 多変量モデルで年齢、眼圧、中心角膜厚さ、視野パターン標準偏差、平均偏差、杯板比を調整しても、この関連性は堅牢でした（HR 1.83；95% CI, 1.49–2.25；P < .001）。
- 経時的に、予測されたRNFL厚さの1 µm/年の速い減少は、転換の強力な予測因子でした（HR 6.01；95% CI, 3.33–10.64；P < .001）。これは、疾患進行モニタリングに有用であることを示しています。
これらの知見は、標準的眼底写真から深層学習を用いて予測されたRNFL厚さが、眼圧亢進症患者における基線緑内障リスクと動的な疾患進行の両方の感度の高いバイオマーカーであることを示しています。
専門家コメント
Liuらによる研究は、人工知能（AI）と伝統的な画像診断を統合することで緑内障診断に大きな進歩をもたらしています。深層学習に基づくRNFL予測は、OCT技術が不足している設定でのリスク評価を可能とし、世界中での早期緑内障検出の民主化につながる可能性があります。
特に、M2Mモデルが広く利用可能でアクセスしやすいモダリティである眼底写真に依存しているため、このアプローチの広範な適用性が確保されます。予測されたRNFLの薄化と緑内障への転換との強い独立した関連性は、RNFLが網膜神経節細胞の健全性に重要な役割を果たすことを考えると、生物学的な妥当性を強調しています。
ただし、いくつかの制限点に注意が必要です。元のトレーニングデータと検証は、特定の民族や臨床的状況を主とするOHTSの人口に限定されており、多様な人口や実世界の臨床設定での外部検証が不可欠です。後ろ向きの研究設計と画像品質の変動は、モデルのパフォーマンスに影響を与える可能性があります。
今後の前向き研究では、予測されたRNFL厚さを他のAIベースのバイオマーカーと多モーダル画像診断と組み合わせて、個別化された緑内障リスク予測と管理戦略を洗練させることが期待されます。
結論
OCTで訓練された深層学習モデルを眼底写真に適用することで、非侵襲的でアクセスしやすい緑内障リスクのバイオマーカーとしてRNFL厚さを正確に予測することができます。基線予測RNFL厚さと経時的な薄化率は、原発開放隅角緑内障への転換リスクの増加を示唆します。
予測されたRNFL厚さを臨床ワークフローに組み込むことで、最もリスクが高い患者の早期識別とモニタリングを向上させ、適時に治療的介入を行うことができます。このアプローチの多様な人口での検証と、意思決定支援システムへの統合に関するさらなる研究により、世界中の緑内障の改善が促進される可能性があります。
参考文献
1. Liu JC, Jammal AA, Scherer R, da Costa DR, Kass M, Gordon M, Medeiros FA. Predicting Retinal Nerve Fiber Layer Thickness From Ocular Hypertension Treatment Study Optic Disc Photographs. JAMA Ophthalmol. 2025 Aug 1;143(8):652-659. doi:10.1001/jamaophthalmol.2025.1740. PMID: 40569586; PMCID: PMC12203391.
2. Kass MA, Heuer DK, Higginbotham EJ, et al. The Ocular Hypertension Treatment Study: a randomized trial determines that topical ocular hypotensive medication delays or prevents the onset of primary open-angle glaucoma. Arch Ophthalmol. 2002;120(6):701-713.
3. Weinreb RN, Aung T, Medeiros FA. The pathophysiology and treatment of glaucoma: a review. JAMA. 2014;311(18):1901-1911.
4. De Moraes CGV, Liebmann JM, Levin LA. Glaucoma. Lancet. 2021;397(10280):2508-2521.