Umeå University's logo

Early detection is crucial for effectively treating glaucoma, a leading cause of irreversible blindness. Diagnosing glaucoma can be challenging due to its subtle early symptoms. This study aims to enhance glaucoma prediction by fine-tuning pre-trained convolutional neural networks. Several networks were re-trained and tested on publicly available retinal image datasets. Additionally, the models were evaluated on fundus images from patients at Region Västernorrland (RVN). The methodology involved exploring how to effectively process and prepare patient data for prediction purposes. The results showed that a majority voting ensemble of the fine-tuned models produced the highest performance, achieving an accuracy of approximately 0.94, with a specificity and sensitivity of 0.97 and 0.90 respectively. The ensemble also identified 0.90 glaucomatous images from RVN correctly. In terms of specificity and sensitivity, all models outperformed the results of ophthalmologist specialists described in a previous study. The findings suggest the effectiveness of transfer learning in enhancing the diagnostic accuracy of glaucoma. It also underscores the importance of proper storage and preparation of medical data for developing predicitive machine learning models.

Glaukom, mer känt som grön starr, är en av de vanligast förekommande ögonsjukdomarna som orsakar blindhet. Det är viktigt att diagnostisera glaukom tidigt i sjukdomsförloppet för att genom behandling, sakta ner eller stoppa ytterligare synförlust. Att diagnostisera glaukom kan vara utmanande, eftersom det vanligtvis inte visar några tidiga symtom. Artificiell intelligens (AI), eller mer specifikt maskininlärning (ML), kan hjälpa läkare att ställa rätt diagnos om det används som ett beslutsstöd. Faltande neurala nätverk (convolutional neural network, CNN) kan lära sig att känna igen mönster i bilder, för att därigenom klassificera bilder till olika kategorier.

Ett sätt att diagnostisera glaukom är att studera näthinnan och synnerven i ögats bakre del, som kallas ögonbotten. I denna studie finjusterades redan tränade CNN:s för att prediktera glaukom utifrån ögonbottenbilder. Detta uppnåddes genom att träna om modellerna på publikt tillgängliga ögonbottenbilder. Målet var att jämföra nätverkens noggrannhet på en delmängd av bilderna, samt att evaluera dem på ögonbottenbilder från sjukhus i Region Västernorrland (RVN). För att uppnå detta ingick det även i metodiken att utforska begränsningarna och möjligheterna med hur patientdata får användas, samt att undersöka hur datat bör lagras och tillrättaläggas för att möjliggöra utvecklingen av prediktionsmodeller. Syftet med studien var att öka noggrannheten vid diagnostisering av glaukom.

Resultaten visade att en ensemble baserad på majoritetsröstning av alla modeller gav den bästa noggrannheten, ungefär 0.94. Sensitiviteten och specificiteten var 0.90, respektive 0.97. Vidare klassificerades 90% av ögonbottenbilderna från RVN korrekt. Resultaten tyder på att maskininlärning är effektivt för att förbättra den diagnostiska noggrannheten för glaukom. Det understryker också vikten av strategisk lagring och förberedelse av medicinska data för att utveckla prediktiva maskininlärningsmodeller i framtiden.