Ключевые результаты
Исследователи разработали и протестировали модели машинного обучения, использующие данные оптической когерентной томографии (OCT) для дифференциальной диагностики педиатрического рассеянного склероза (POMS) и неврологических состояний невоспалительной природы. Мультимодальная модель с ранним слиянием данных достигла наилучших показателей с AUC 0,90, взвешенной F1-мерой 0,87 и точностью 87%, превзойдя как унимодальные модели, так и модели с поздним слиянием данных.
Методология
Исследование основано на анализе 3D-сканов OCT, собранных проспективно через Нейровоспалительный регистр Детской больницы Торонто (Hospital for Sick Children). В исследование были включены:
- 211 сканов от пациентов с педиатрическим рассеянным склерозом (средний возраст начала 16,0 ± 3,1 года, 51,0% женского пола)
- 52 скана от 29 детей с неврологическими состояниями невоспалительного характера (13,1 ± 4,0 лет, 69,0% женского пола)
Авторы оценили три подхода к классификации:
- Модели глубокого обучения (ResNet, DenseNet) для извлечения признаков с последующим применением классических алгоритмов машинного обучения
- Модели машинного обучения, обученные на признаках, полученных из OCT
- Мультимодальные модели, объединяющие оба подхода через раннее и позднее слияние данных
В качестве входных данных использовались как необработанные изображения макулы и головки зрительного нерва, так и 52 автоматически сегментированных признака.
Клиническое значение
Раннее выявление рассеянного склероза у детей имеет критическое значение, поскольку своевременное терапевтическое вмешательство может значительно улучшить исходы заболевания. Передний зрительный путь имеет центральное значение в диагностике РС и недавно был включен в качестве пятой топографии в диагностические критерии Макдональда для РС.
Предложенный подход с использованием OCT и мультимодального машинного обучения:
- Обеспечивает неинвазивный метод оценки структурной целостности слоя нервных волокон сетчатки и внутреннего плексиформного слоя ганглиозных клеток
- Позволяет объективно оценить повреждения, характерные для РС
- Может стать дополнительным диагностическим инструментом для клиницистов, особенно в сложных случаях дифференциальной диагностики
Выводы
Мультимодальное обучение с ранним слиянием данных значительно повышает диагностическую точность, объединяя пространственную информацию о сетчатке с клинически значимыми структурными особенностями. Этот подход захватывает дополнительные паттерны, связанные с патологией РС, и демонстрирует потенциал в качестве инструмента на основе искусственного интеллекта для поддержки диагностики нейровоспалительных заболеваний у детей.
Наиболее эффективные модели показали:
- Лучшая унимодальная модель на основе признаков (SVC): AUC 0,84, точность 85%
- Лучшая модель на основе изображений (ResNet101 с SVC): AUC 0,79, точность 87%
- Мультимодальная модель с ранним слиянием: AUC 0,90, точность 87%
Эти результаты подчеркивают потенциал применения методов машинного обучения в интерпретации данных OCT для повышения точности диагностики POMS.