OCT-based optic neuropathy diagnosis using explainable and privacy-preserving machine learning.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Glokom, demans, Parkinson hastalığı ve oküler sağlığı etkileyen iskaemik optik nöropati gibi nörodejeneratif durumlarla benzerlikler paylaşır. Bununla birlikte, mevcut çalışmalar nöropati tanısında nörodejeneratif vakaları dışlar ve 'kara kutu' modellerine güvenir. Bunu ele almak için, optik koherens tomografi (OCT) verilerine açıklanabilir makine öğrenimi uyguladık, güvenilir bir nöropati teşhis aracı oluşturmak için gizlilik koruma mekanizmasını entegre ettik. Sidney merkezli bir göz kliniğinden 268 glokomlu, 334 normal, 56 demans, 60 Parkinson ve 93 ION gözünden OKT verileri analiz edildi. Mekansal ve frekans etki alanı özellikleri çıkarıldı, ardından özellik seçimi ve hiyerarşik sınıflandırma yapıldı. Model yorumlanabilirliği, SHapley Additive exPlanations ve kısmi bağımlılık analizi kullanılarak geliştirildi ve gizlilik, bir diferansiyel gizlilik mekanizmasını içeren korunmuştur. 12, 11 ve 6 yıllık deneyime sahip üç klinisyenden oluşan bir ekip, insan-makine karşılaştırması için aynı veri setindeki performanslarını değerlendirdi ve makine, nöropatiyi sınıflandırmak için 0,90 eğrisinin altında bir alana ulaştı. Genel olarak, makine, nöropati için% 26,3 daha yüksek doğruluk ve glokom teşhisi için% 24,8 daha yüksek doğruluk ile klinisyenlerden daha iyi performans gösterdi. Sonuç olarak, hem açıklanamayan hem de açıklanabilen yöntemler, veri gizliliğini koruyan gizlilik koruma yaklaşımı ile klinik karar verme için tanısal desteğin geliştirilmesinde umut vadediyor.

Özgün kaynak özetini okuyun

Glaucoma shares similarities with neurodegenerative conditions like dementia, Parkinson's disease, and ischaemic optic neuropathy, which affect ocular health. However, current studies exclude neurodegenerative cases in neuropathy diagnosis and rely on 'black box' models. To address this, we applied explainable machine learning to optical coherence tomography (OCT) data, integrating a privacy-preserving mechanism to create a reliable neuropathy diagnostic tool. OCT data from 268 glaucomatous, 334 normal, 56 dementia, 60 Parkinson's, and 93 ION eyes were analysed from a Sydney-based eye clinic. Spatial and frequency domain features were extracted, followed by feature selection and hierarchical classification. Model interpretability was enhanced using SHapley Additive exPlanations and partial dependency analysis, and privacy was preserved incorporating a differential privacy mechanism. A team of three clinicians, with 12, 11, and 6 years of experience, evaluated their performance on the same dataset for a human versus machine comparison, with the machine achieving an area under the curve of 0.90 for classifying neuropathy. Overall, machine outperformed clinicians, with 26.3% higher accuracy for neuropathy and 24.8% higher accuracy for glaucoma diagnosis. In conclusion, both non-explainable and explainable methods show promise in enhancing diagnostic support for clinical decision-making, with the privacy-preserving approach safeguarding data privacy.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.