Previsione del campo visivo utilizzando un modello di rete di unità ricorrenti recintate bidirezionali profonde

Jun 19, 2023

Rapporti scientifici volume 13, numero articolo: 11154 (2023) Citare questo articolo

320 accessi

2 Altmetrico

Dettagli sulle metriche

Sebbene l’architettura del deep learning sia stata utilizzata per elaborare dati sequenziali, solo pochi studi hanno esplorato l’utilità degli algoritmi di deep learning per rilevare la progressione del glaucoma. Qui, abbiamo proposto un algoritmo di unità ricorrente bidirezionale con gate (Bi-GRU) per prevedere la perdita del campo visivo. In totale, nel set di addestramento sono stati inclusi 5413 occhi di 3321 pazienti, mentre nel set di test sono stati inclusi 1272 occhi di 1272 pazienti. Come input sono stati utilizzati i dati di cinque esami consecutivi del campo visivo; i sesti esami del campo visivo sono stati confrontati con le previsioni del Bi-GRU. Le prestazioni di Bi-GRU sono state confrontate con le prestazioni degli algoritmi convenzionali di regressione lineare (LR) e di memoria a lungo termine (LSTM). L'errore di previsione complessivo era significativamente inferiore per Bi-GRU rispetto agli algoritmi LR e LSTM. Nella previsione puntuale, Bi-GRU ha mostrato l'errore di previsione più basso tra i tre modelli nella maggior parte dei luoghi di test. Inoltre, Bi-GRU è stato il modello meno influenzato in termini di peggioramento degli indici di affidabilità e di gravità del glaucoma. La previsione accurata della perdita del campo visivo utilizzando l'algoritmo Bi-GRU può facilitare il processo decisionale relativo al trattamento dei pazienti affetti da glaucoma.

Il glaucoma, una delle principali cause di cecità in tutto il mondo, è caratterizzato dalla perdita irreversibile delle cellule gangliari della retina1,2. I cambiamenti strutturali nelle cellule gangliari della retina e nella testa del nervo ottico causano un progressivo deterioramento del campo visivo2. La previsione del futuro campo visivo è essenziale per preservare la funzione visiva. Tuttavia, i risultati dei test del campo visivo sono suscettibili di errori casuali e fluttuazioni, in particolare nei pazienti affetti da glaucoma, che ostacolano la previsione accurata dei cambiamenti del campo visivo3.

Negli ultimi anni, gli algoritmi di apprendimento automatico hanno dimostrato buone prestazioni nella previsione della progressione del glaucoma. Wang et al.4 hanno classificato e determinato la progressione di 16 archetipi di difetti del campo visivo. Murata et al.5 hanno riscontrato una capacità di previsione superiore della regressione lineare variazionale di Bayes, un tipo di algoritmo di apprendimento automatico, rispetto alla regressione lineare puntuale (LR). A causa del recente sviluppo dell’intelligenza artificiale, gli algoritmi di deep learning sono stati utilizzati per vari compiti con prestazioni eccellenti. Tuttavia, solo pochi studi hanno previsto la progressione dei difetti del campo visivo utilizzando algoritmi di deep learning. Wen et al.6 hanno utilizzato una rete neurale convoluzionale per prevedere i futuri campi visivi, utilizzando come input un singolo esame del campo visivo. Berchuck et al.7 hanno utilizzato un modello di autocodificatore variazionale per stimare la velocità di progressione del campo visivo.

La rete neurale ricorrente (RNN), una rete artificiale con connessioni ricorrenti, è stata utilizzata per serie temporali sequenziali con dipendenza temporale e per la modellazione di sequenze8. Può elaborare i dati attuali, utilizzando i dati precedenti per fare previsioni, sulla base delle dipendenze tra elementi sequenziali9,10. Le due varianti principali della RNN, la memoria a lungo termine (LSTM)11 e l'unità ricorrente recidivante (GRU)12, modellano la dipendenza a lungo termine in lunghe sequenze. In uno studio precedente, abbiamo scoperto che LSTM aveva capacità superiori di prevedere i campi visivi futuri, rispetto al normale LR13 dei minimi quadrati. Dixit et al.14 hanno scoperto che le reti LSTM possono prevedere le tendenze longitudinali locali e globali nei campi visivi.

GRU utilizza le unità di controllo in modo più efficiente e ad una velocità simile, rispetto ai tipici LSTM15,16,17. Diversi studi hanno rivelato che il GRU ha prestazioni eccellenti per l'analisi sequenziale dei dati, rispetto ad altri tipi di RNN12,15,18,19. Recentemente è stato sviluppato un metodo RNN bidirezionale tramite training simultaneo con direzioni temporali positive e negative, che fornisce una migliore comprensione del contesto20. Lynn et al.15 hanno confrontato diversi modelli basati su RNN per l'identificazione umana utilizzando dati biometrici basati sull'elettrocardiogramma da dati di serie temporali sequenziali. La rete bidirezionale con i modelli LSTM e GRU si è rivelata più efficace dei modelli RNN convenzionali e il modello dell'unità ricorrente con gate bidirezionale (Bi-GRU) ha mostrato prestazioni superiori al modello LSTM bidirezionale. Poiché gli esami del campo visivo forniscono dati sequenziali con ampie interconnessioni, Bi-GRU può ottenere una migliore previsione della progressione del campo visivo, rispetto al precedente modello RNN basato su LSTM.