特開2023-145613視力を予測するための眼の画像を処理するための深層学習の使用
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2023145613
(43)【公開日】2023-10-11
(54)【発明の名称】視力を予測するための眼の画像を処理するための深層学習の使用
(51)【国際特許分類】
A61B 3/028 20060101AFI20231003BHJP
A61B 3/10 20060101ALI20231003BHJP
A61B 3/14 20060101ALI20231003BHJP
【ＦＩ】
A61B3/028
A61B3/10 100
A61B3/14
【審査請求】有
【請求項の数】1
【出願形態】ＯＬ
【外国語出願】
(21)【出願番号】P 2023122397
(22)【出願日】2023-07-27
(62)【分割の表示】P 2022506613の分割
【原出願日】2020-07-31
(31)【優先権主張番号】62/882,354
(32)【優先日】2019-08-02
(33)【優先権主張国・地域又は機関】US
(31)【優先権主張番号】62/907,014
(32)【優先日】2019-09-27
(33)【優先権主張国・地域又は機関】US
(31)【優先権主張番号】62/940,989
(32)【優先日】2019-11-27
(33)【優先権主張国・地域又は機関】US
(31)【優先権主張番号】62/990,354
(32)【優先日】2020-03-16
(33)【優先権主張国・地域又は機関】US
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＴＥＮＳＯＲＦＬＯＷ
(71)【出願人】
【識別番号】509012625
【氏名又は名称】ジェネンテック， インコーポレイテッド
(74)【代理人】
【識別番号】100078282
【弁理士】
【氏名又は名称】山本 秀策
(74)【代理人】
【識別番号】100113413
【弁理士】
【氏名又は名称】森下 夏樹
(72)【発明者】
【氏名】マイケル ジー． カウジンスキ
(72)【発明者】
【氏名】トーマス ベングトソン
(72)【発明者】
【氏名】ジアン ダイ
(72)【発明者】
【氏名】サイモン エス． ガオ
(72)【発明者】
【氏名】ジェフリー アール． ウィリス
(57)【要約】
【課題】被験者の眼の入力を処理し、被験者の現在または将来の視力を予測するために機械学習モデルを使用することに関するシステムおよび方法を提供すること。
【解決手段】被験者は、加齢黄斑変性と診断されていてもよい。予測される現在または将来の視力は、（例えば）被験者（例えば、特定のタイプの加齢黄斑変性を伴う）の診断を容易にし、被験者の処置戦略の特定を容易にし、および／または臨床試験の設計を容易にするために使用されることができる。
【選択図】なし
【解決手段】被験者は、加齢黄斑変性と診断されていてもよい。予測される現在または将来の視力は、（例えば）被験者（例えば、特定のタイプの加齢黄斑変性を伴う）の診断を容易にし、被験者の処置戦略の特定を容易にし、および／または臨床試験の設計を容易にするために使用されることができる。
【選択図】なし
【特許請求の範囲】
【請求項1】
本明細書に記載の発明。
【発明の詳細な説明】
【技術分野】
【0001】
本出願は、以下の米国仮特許出願の利益および優先権を主張する：第６２／８８２，３５４号（２０１９年８月２日出願）、第６２／９０７，０１４号（２０１９年９月２７日出願）、第６２／９４０，９８９号（２０１９年１１月２７日出願）および第６２／９９０，３５４号（２０２０年３月１６日出願）。これらの出願のそれぞれは、あらゆる目的のためにその全体が参照により本明細書に組み込まれる。
【背景技術】
【0002】
新生血管加齢黄斑変性（新生血管ＡＭＤ）などの網膜疾患は、視力を妨げ、永久的な視力喪失をもたらす可能性がある病態生理学的および解剖学的変化を特徴とする。加齢黄斑変性（ＡＭＤ）は、人の視力に影響を及ぼす眼疾患である。ＡＭＤには、乾燥型と湿潤型の２種類がある。乾燥型ＡＭＤは、より一般的であり、より軽度の形態のＡＭＤである。それは、通常、徐々に進行し、ゆっくりと視力に影響を及ぼす。一方、湿潤型ＡＭＤは、新生血管加齢黄斑変性症とも呼ばれ、ＡＭＤのより進行したバージョンである。新生血管ＡＭＤの危険因子の１つは年齢であり、新生血管ＡＭＤは、典型的には５０歳以上の人に発症する。喫煙はまた、人が新生血管ＡＭＤを発症する可能性を２から５倍増加させる。新生血管ＡＭＤの他の危険因子としては、肥満、遺伝学、人種および性別が挙げられる。ボディーマス指数（ＢＭＩ）が３０を超える人は、ＢＭＩが低い人に比べて、新生血管ＡＭＤを発症する可能性が２．５倍高い。さらに、新生血管ＡＭＤの家族歴は、誰かが新生血管ＡＭＤを発症する可能性を高める。女性、コーカサス人、および淡色の眼を有する人々も、新生血管ＡＭＤを発症するリスクが高い。危険因子は、誰かが新生血管ＡＭＤを発症する可能性に関する情報を提供することができるが、疾患の重症度および変性の速度を確実に予測することができる現在の技術はない。
【0003】
したがって、しばしば、介護者は、所与の処置（例えば、一部の被験者において視力の改善をもたらす硝子体内抗血管内皮成長因子など）を開始および／または変更するかどうかを決定するために頻繁な監視に依存する。視力能力を客観的に評価するための１つの手法は、視力検査表（例えば、スネレン視力検査表またはＬｏｇＭＡＲ）上のどの文字が人によって正しく識別されたかを判定することである。視力検査表は、異なるサイズの文字を含むことができ（例えば、異なるサイズが視力検査表の異なる線上に提示される）、どのサイズの文字が観察者によって正しく識別されたかの判定に基づいて視力が判定されることができる。観察者が眼鏡またはコンタクトレンズを使用して視力検査表を見るとき、視力メトリックは、典型的には「最良矯正視力」と呼ばれる。
【0004】
矯正されたまたは最良矯正視力を監視することが有益であり得る１つの理由は、眼鏡またはコンタクトを介して矯正することができない様々な視覚疾患および／または視覚症状が眼の変化を引き起こす可能性があるためである。例えば、過剰な流体（例えば、黄斑において）は、眼鏡またはコンタクトを介して矯正されることができない視覚のぼやけを引き起こす可能性がある。一方、加齢の結果として自然に生じる他の多くの種類の視力低下は、眼鏡またはコンタクトを介して矯正されることができる。したがって、矯正または最良矯正視力は、疾患の存在、進行および／または病期の指標とすることができる。
【発明の概要】
【課題を解決するための手段】
【0005】
様々な眼疾患（例えば、ＡＭＤを含む）は、解剖学的変化を引き起こし、さらに視覚機能の低下を引き起こすが、眼の解剖学的構造に基づいて現在または将来の視力を予測する正確な関係はまだ特定されていない。従来の相関分析は、人間の研究者の洞察によって制限されるプロセスである、分析のための特徴の候補セットを特定および事前指定する必要性によって、解剖学的パラメータと視覚的パラメータとの間の新規な関係性を検出するそれらの能力が制限されている。さらに、中心部分体厚（ＣＳＴ）および中心窩厚（ＣＦＴ）などの特徴を事前に特定する従来の方法は、典型的には、視力結果に対して十分に特異的な関係を有しない可能性がある網膜の健康の集約された尺度をもたらす。例えば、ＨＡＲＢＯＲトライアルデータでは、網膜内液および総網膜厚に由来する特徴は、Ｒ２＝０．２１においてベースラインＢＣＶＡと相関する。
【0006】
したがって、解剖学的構造に基づいて視覚機能をより確実に予測することが望まれている。
【0007】
本開示は、以下の添付の図面と併せて説明される：
本発明の実施形態において、例えば以下の項目が提供される。
（項目１）
画像処理に基づく視力予測方法であって、
被験者の眼の少なくとも一部の画像にアクセスすることと、
前記画像を機械学習モデルに入力して、予測視力に対応する予測視力メトリックを判定することであって、前記機械学習モデルが、
パラメータのセットであって、
訓練画像のセットであって、前記訓練画像のセットのそれぞれが、訓練被験者のセットのうちの訓練被験者の眼の少なくとも一部を描写する、訓練画像のセットと、
前記訓練被験者のセットのそれぞれについて観察された視力を識別するラベルのセットと、を使用して判定されるパラメータのセットと、
前記画像および前記パラメータを視力メトリックに関連付ける関数と、を含む、判定することと、
前記予測視力メトリックを返すことと、
を含む方法。
（項目２）
前記画像が光干渉断層撮影（ＯＣＴ）画像である、項目１に記載の方法。
（項目３）
前記画像がカラー眼底写真画像である、項目１に記載の方法。
（項目４）
前記予測視力メトリックが、前記画像が撮像装置によって捕捉されたベースラインの日付の予測視力に対応する、項目１～３のいずれか一項に記載の方法。
（項目５）
前記予測視力メトリックが、１つ以上の数字を含み、前記１つ以上の数字が、前記画像が捕捉されたベースラインの日付から少なくとも６ヶ月の日付の予測視力を表す、項目１～３のいずれか一項に記載の方法。
（項目６）
前記予測視力メトリックが、前記画像が撮像装置によって捕捉されたベースラインの日付の前記被験者の視力が閾値視力値よりも悪いかどうかに関する予測を表すバイナリ値である、項目１～３のいずれか一項に記載の方法。
（項目７）
前記予測視力メトリックが、前記画像が撮像装置によって捕捉されたベースラインの日付から少なくとも６ヶ月の前記被験者の視力が閾値視力値よりも悪いかどうかに関する予測を表すバイナリ値である、項目１～３のいずれか一項に記載の方法。
（項目８）
前記閾値が、２０／１６０、２０／８０または２０／４０のスネレン分率に相当する、項目６または７に記載の方法。
（項目９）
前記予測視力メトリックに応答して、
前記被験者が薬理学的処置を受けることの推奨を提供することをさらに含む、項目１～８のいずれか一項に記載の方法。
（項目１０）
前記画像が３次元画像であり、前記方法が、
前記画像を複数の２次元スライスにスライスすることであって、前記スライスのそれぞれが、異なるスキャン中心角で、互いのスライスから異なる数の画素をオフセットして捕捉される、スライスすることをさらに含み、
前記画像を前記モデルに入力することが、前記スライスを前記モデルに入力することを含む、項目１～９のいずれか一項に記載の方法。
（項目１１）
前記モデルが、深層学習モデルである、項目１～１０のいずれか一項に記載の方法。
（項目１２）
前記モデルが、畳み込みニューラルネットワークであるか、または畳み込みニューラルネットワークを含む、項目１～１１のいずれか一項に記載の方法。
（項目１３）
前記モデルが、畳み込みカーネルのセットを使用する、項目１～１２のいずれか一項に記載の方法。
（項目１４）
前記モデルが、ＲｅｓＮｅｔモデルを含む、項目１～１３のいずれか一項に記載の方法。
（項目１５）
前記モデルが、インセプションモデルである、項目１～１４のいずれか一項に記載の方法。
（項目１６）
前記予測視力メトリックが、前記被験者の前記眼の予測視力に対応する、項目１～１５のいずれか一項に記載の方法。
（項目１７）
前記予測視力メトリックが、眼鏡またはコンタクトを着用している間の前記被験者の前記眼の視力を予測する予測矯正視力に対応する、項目１～１６のいずれか一項に記載の方法。
（項目１８）
前記予測視力メトリックが、前記被験者の前記眼の予測最良矯正視力に対応する、項目１～１７のいずれか一項に記載の方法。
（項目１９）
前記被験者が、前記画像が収集された時点で加齢黄斑変性と以前に診断された被験者である、項目１～１７のいずれか一項に記載の方法。
（項目２０）
前記被験者が、前記画像が収集された時点で新生血管加齢黄斑変性と以前に診断された被験者である、項目１～１７のいずれか一項に記載の方法。
（項目２１）
前記被験者が、前記画像が収集された時点で萎縮型加齢黄斑変性と以前に診断された被験者である、項目１～１７のいずれか一項に記載の方法。
（項目２２）
前記訓練被験者のそれぞれが、前記画像のセットの訓練画像が収集される前に加齢黄斑変性と以前に診断された被験者である、項目１～１７のいずれか一項に記載の方法。
（項目２３）
前記訓練被験者のそれぞれが、前記画像のセットの訓練画像が収集される前に新生血管加齢黄斑変性と以前に診断された被験者である、項目１～１７のいずれか一項に記載の方法。
（項目２４）
前記訓練被験者のそれぞれが、前記画像のセットの訓練画像が収集される前に萎縮型加齢黄斑変性と以前に診断された被験者である、項目１～１７のいずれか一項に記載の方法。
（項目２５）
前記訓練画像のセットおよび前記ラベルのセットを使用して前記モデルを訓練することをさらに含む、項目１～２４のいずれか一項に記載の方法。
（項目２６）
前記機械学習モデルが、１つ以上の前処理関数と、１つ以上のニューラルネットワークとを含む、項目１～２５のいずれか一項に記載の方法。
（項目２７）
前記眼の前記少なくとも一部の画像が、前記被験者の前記眼の前記少なくとも一部の生画像に１つ以上の前処理関数を適用することによって生成された眼の前処理バージョンを含む、項目１～２５のいずれか一項に記載の方法。
（項目２８）
前記１つ以上の前処理関数が、画像を平坦化する関数を含む、項目２６または２７に記載の方法。
（項目２９）
前記１つ以上の前処理関数が、１つ以上のＢスキャン画像または１つ以上のＣスキャン画像を生成する関数を含む、項目２６～２８のいずれか一項に記載の方法。
（項目３０）
前記１つ以上の前処理関数がトリミング関数を含む、項目２６～２９のいずれか一項に記載の方法。
（項目３１）
前記予測視力メトリックが、第１の距離における前記被験者の前記眼の予測視力に対応し、前記方法が、
前記機械学習モデルを使用して、前記被験者の同じまたは異なる眼の予測視力に対応する別の予測視力メトリックを判定することと、
前記別の予測視力メトリックを返すことと
をさらに含む、項目２６～２９のいずれか一項に記載の方法。
（項目３２）
臨床試験を層別化する方法であって、
被験者のセットの各被験者について、項目１～３１のいずれか一項に記載の画像処理に基づく視力予測方法を実行することと、
前記被験者のセットのそれぞれについて、前記被験者が臨床試験に参加するのに適格であるかどうかを判定することであって、前記判定が、適格基準のセットのそれぞれが前記被験者に関して満たされるかどうかに基づいており、前記適格基準のセットの特定の適格基準の評価が、前記被験者の前記予測視力を使用して行われる、判定することと、
前記被験者のセットのサブセットを用いて前記臨床試験を実施することであって、前記サブセット中の各被験者が前記臨床試験に参加するのに適格であると判定された被験者である、実施することと
を含む方法。
（項目３３）
第１の被験者群および第２の被験者群への被験者割り当てにしたがって前記臨床試験を実施することをさらに含む、項目３２に記載の方法。
（項目３４）
項目１～３１のいずれか一項に記載の方法にしたがって判定された前記予測視力メトリックに基づいて、前記被験者に対する潜在的な処置のセットの中から処置を選択することと、
前記処置の識別情報を出力することと
を含む方法。
（項目３５）
方法であって、
項目１～３１のいずれか一項に記載の方法にしたがって判定された前記予測視力メトリックに基づいて、前記被験者に対する潜在的な処置のセットの中から処置を選択することと、
前記処置を使用して前記被験者を処置することと
を含む方法。
（項目３６）
前記訓練被験者の少なくとも一部のそれぞれが、前記訓練被験者に対応する前記ラベルが判定される視力検査に参加する前に前記処置を受けていた被験者である、項目３４または３５に記載の方法。
（項目３７）
前記訓練被験者のそれぞれが、前記訓練被験者に対応する前記ラベルが判定される視力検査に参加する前に前記処置を受けていた被験者である、項目３４または３５に記載の方法。
（項目３８）
前記訓練被験者の少なくとも一部のそれぞれが、前記訓練被験者に対応する前記ラベルが判定される視力検査に参加する前に前記処置とは異なる別の処置を受けていた被験者であり、前記被験者が以前に前記別の処置を受けていた被験者である、項目３４または３５に記載の方法。
（項目３９）
前記訓練被験者のそれぞれが、前記訓練被験者に対応する前記ラベルが判定される視力検査に参加する前に前記処置とは異なる別の処置を受けていた被験者であり、前記被験者が以前に前記別の処置を受けていた被験者である、項目３４または３５に記載の方法。
（項目４０）
１つ以上のデータプロセッサと、
前記１つ以上のデータプロセッサ上で実行されると、前記１つ以上のデータプロセッサに、本明細書に開示された１つ以上の方法の一部または全部を実行させる命令を含む非一時的コンピュータ可読記憶媒体と
を備えるシステム。
（項目４１）
１つ以上のデータプロセッサに、本明細書に開示された１つ以上の方法の一部または全部を実行させるように構成された命令を含む、
非一時的機械可読記憶媒体において有形に具現化されたコンピュータプログラム製品。
本発明の実施形態において、例えば以下の項目が提供される。
（項目１）
画像処理に基づく視力予測方法であって、
被験者の眼の少なくとも一部の画像にアクセスすることと、
前記画像を機械学習モデルに入力して、予測視力に対応する予測視力メトリックを判定することであって、前記機械学習モデルが、
パラメータのセットであって、
訓練画像のセットであって、前記訓練画像のセットのそれぞれが、訓練被験者のセットのうちの訓練被験者の眼の少なくとも一部を描写する、訓練画像のセットと、
前記訓練被験者のセットのそれぞれについて観察された視力を識別するラベルのセットと、を使用して判定されるパラメータのセットと、
前記画像および前記パラメータを視力メトリックに関連付ける関数と、を含む、判定することと、
前記予測視力メトリックを返すことと、
を含む方法。
（項目２）
前記画像が光干渉断層撮影（ＯＣＴ）画像である、項目１に記載の方法。
（項目３）
前記画像がカラー眼底写真画像である、項目１に記載の方法。
（項目４）
前記予測視力メトリックが、前記画像が撮像装置によって捕捉されたベースラインの日付の予測視力に対応する、項目１～３のいずれか一項に記載の方法。
（項目５）
前記予測視力メトリックが、１つ以上の数字を含み、前記１つ以上の数字が、前記画像が捕捉されたベースラインの日付から少なくとも６ヶ月の日付の予測視力を表す、項目１～３のいずれか一項に記載の方法。
（項目６）
前記予測視力メトリックが、前記画像が撮像装置によって捕捉されたベースラインの日付の前記被験者の視力が閾値視力値よりも悪いかどうかに関する予測を表すバイナリ値である、項目１～３のいずれか一項に記載の方法。
（項目７）
前記予測視力メトリックが、前記画像が撮像装置によって捕捉されたベースラインの日付から少なくとも６ヶ月の前記被験者の視力が閾値視力値よりも悪いかどうかに関する予測を表すバイナリ値である、項目１～３のいずれか一項に記載の方法。
（項目８）
前記閾値が、２０／１６０、２０／８０または２０／４０のスネレン分率に相当する、項目６または７に記載の方法。
（項目９）
前記予測視力メトリックに応答して、
前記被験者が薬理学的処置を受けることの推奨を提供することをさらに含む、項目１～８のいずれか一項に記載の方法。
（項目１０）
前記画像が３次元画像であり、前記方法が、
前記画像を複数の２次元スライスにスライスすることであって、前記スライスのそれぞれが、異なるスキャン中心角で、互いのスライスから異なる数の画素をオフセットして捕捉される、スライスすることをさらに含み、
前記画像を前記モデルに入力することが、前記スライスを前記モデルに入力することを含む、項目１～９のいずれか一項に記載の方法。
（項目１１）
前記モデルが、深層学習モデルである、項目１～１０のいずれか一項に記載の方法。
（項目１２）
前記モデルが、畳み込みニューラルネットワークであるか、または畳み込みニューラルネットワークを含む、項目１～１１のいずれか一項に記載の方法。
（項目１３）
前記モデルが、畳み込みカーネルのセットを使用する、項目１～１２のいずれか一項に記載の方法。
（項目１４）
前記モデルが、ＲｅｓＮｅｔモデルを含む、項目１～１３のいずれか一項に記載の方法。
（項目１５）
前記モデルが、インセプションモデルである、項目１～１４のいずれか一項に記載の方法。
（項目１６）
前記予測視力メトリックが、前記被験者の前記眼の予測視力に対応する、項目１～１５のいずれか一項に記載の方法。
（項目１７）
前記予測視力メトリックが、眼鏡またはコンタクトを着用している間の前記被験者の前記眼の視力を予測する予測矯正視力に対応する、項目１～１６のいずれか一項に記載の方法。
（項目１８）
前記予測視力メトリックが、前記被験者の前記眼の予測最良矯正視力に対応する、項目１～１７のいずれか一項に記載の方法。
（項目１９）
前記被験者が、前記画像が収集された時点で加齢黄斑変性と以前に診断された被験者である、項目１～１７のいずれか一項に記載の方法。
（項目２０）
前記被験者が、前記画像が収集された時点で新生血管加齢黄斑変性と以前に診断された被験者である、項目１～１７のいずれか一項に記載の方法。
（項目２１）
前記被験者が、前記画像が収集された時点で萎縮型加齢黄斑変性と以前に診断された被験者である、項目１～１７のいずれか一項に記載の方法。
（項目２２）
前記訓練被験者のそれぞれが、前記画像のセットの訓練画像が収集される前に加齢黄斑変性と以前に診断された被験者である、項目１～１７のいずれか一項に記載の方法。
（項目２３）
前記訓練被験者のそれぞれが、前記画像のセットの訓練画像が収集される前に新生血管加齢黄斑変性と以前に診断された被験者である、項目１～１７のいずれか一項に記載の方法。
（項目２４）
前記訓練被験者のそれぞれが、前記画像のセットの訓練画像が収集される前に萎縮型加齢黄斑変性と以前に診断された被験者である、項目１～１７のいずれか一項に記載の方法。
（項目２５）
前記訓練画像のセットおよび前記ラベルのセットを使用して前記モデルを訓練することをさらに含む、項目１～２４のいずれか一項に記載の方法。
（項目２６）
前記機械学習モデルが、１つ以上の前処理関数と、１つ以上のニューラルネットワークとを含む、項目１～２５のいずれか一項に記載の方法。
（項目２７）
前記眼の前記少なくとも一部の画像が、前記被験者の前記眼の前記少なくとも一部の生画像に１つ以上の前処理関数を適用することによって生成された眼の前処理バージョンを含む、項目１～２５のいずれか一項に記載の方法。
（項目２８）
前記１つ以上の前処理関数が、画像を平坦化する関数を含む、項目２６または２７に記載の方法。
（項目２９）
前記１つ以上の前処理関数が、１つ以上のＢスキャン画像または１つ以上のＣスキャン画像を生成する関数を含む、項目２６～２８のいずれか一項に記載の方法。
（項目３０）
前記１つ以上の前処理関数がトリミング関数を含む、項目２６～２９のいずれか一項に記載の方法。
（項目３１）
前記予測視力メトリックが、第１の距離における前記被験者の前記眼の予測視力に対応し、前記方法が、
前記機械学習モデルを使用して、前記被験者の同じまたは異なる眼の予測視力に対応する別の予測視力メトリックを判定することと、
前記別の予測視力メトリックを返すことと
をさらに含む、項目２６～２９のいずれか一項に記載の方法。
（項目３２）
臨床試験を層別化する方法であって、
被験者のセットの各被験者について、項目１～３１のいずれか一項に記載の画像処理に基づく視力予測方法を実行することと、
前記被験者のセットのそれぞれについて、前記被験者が臨床試験に参加するのに適格であるかどうかを判定することであって、前記判定が、適格基準のセットのそれぞれが前記被験者に関して満たされるかどうかに基づいており、前記適格基準のセットの特定の適格基準の評価が、前記被験者の前記予測視力を使用して行われる、判定することと、
前記被験者のセットのサブセットを用いて前記臨床試験を実施することであって、前記サブセット中の各被験者が前記臨床試験に参加するのに適格であると判定された被験者である、実施することと
を含む方法。
（項目３３）
第１の被験者群および第２の被験者群への被験者割り当てにしたがって前記臨床試験を実施することをさらに含む、項目３２に記載の方法。
（項目３４）
項目１～３１のいずれか一項に記載の方法にしたがって判定された前記予測視力メトリックに基づいて、前記被験者に対する潜在的な処置のセットの中から処置を選択することと、
前記処置の識別情報を出力することと
を含む方法。
（項目３５）
方法であって、
項目１～３１のいずれか一項に記載の方法にしたがって判定された前記予測視力メトリックに基づいて、前記被験者に対する潜在的な処置のセットの中から処置を選択することと、
前記処置を使用して前記被験者を処置することと
を含む方法。
（項目３６）
前記訓練被験者の少なくとも一部のそれぞれが、前記訓練被験者に対応する前記ラベルが判定される視力検査に参加する前に前記処置を受けていた被験者である、項目３４または３５に記載の方法。
（項目３７）
前記訓練被験者のそれぞれが、前記訓練被験者に対応する前記ラベルが判定される視力検査に参加する前に前記処置を受けていた被験者である、項目３４または３５に記載の方法。
（項目３８）
前記訓練被験者の少なくとも一部のそれぞれが、前記訓練被験者に対応する前記ラベルが判定される視力検査に参加する前に前記処置とは異なる別の処置を受けていた被験者であり、前記被験者が以前に前記別の処置を受けていた被験者である、項目３４または３５に記載の方法。
（項目３９）
前記訓練被験者のそれぞれが、前記訓練被験者に対応する前記ラベルが判定される視力検査に参加する前に前記処置とは異なる別の処置を受けていた被験者であり、前記被験者が以前に前記別の処置を受けていた被験者である、項目３４または３５に記載の方法。
（項目４０）
１つ以上のデータプロセッサと、
前記１つ以上のデータプロセッサ上で実行されると、前記１つ以上のデータプロセッサに、本明細書に開示された１つ以上の方法の一部または全部を実行させる命令を含む非一時的コンピュータ可読記憶媒体と
を備えるシステム。
（項目４１）
１つ以上のデータプロセッサに、本明細書に開示された１つ以上の方法の一部または全部を実行させるように構成された命令を含む、
非一時的機械可読記憶媒体において有形に具現化されたコンピュータプログラム製品。
【図面の簡単な説明】
【0008】
【図1】機械学習モデルを使用して被験者の眼の視力を予測するためのプロセスである。
【0009】
【図2】臨床試験のための視力予測を使用するプロセスである。
【0010】
【図3】深層学習パイプラインである。ＲｅｓＮｅｔ－５０ ｖ２畳み込みニューラルネットワークに入力される３０個の２次元画像として表される３次元光干渉断層撮影ボリュームを使用することによる最良矯正視力（ＢＣＶＡ）の予測である。
【0011】
【図4A】同時来院時における実際対予測の最良矯正視力（ＢＣＶＡ）である。同時来院のＢＣＶＡを予測するために光干渉断層撮影画像を分析する深層学習アルゴリズムの性能である。（Ａ）全ての来院にわたる試験眼平均である。（Ｂ）全ての来院における他眼平均である。（Ｃ）全ての来院にわたる試験眼および他眼の双方の平均である。
【図4B】同時来院時における実際対予測の最良矯正視力（ＢＣＶＡ）である。同時来院のＢＣＶＡを予測するために光干渉断層撮影画像を分析する深層学習アルゴリズムの性能である。（Ａ）全ての来院にわたる試験眼平均である。（Ｂ）全ての来院における他眼平均である。（Ｃ）全ての来院にわたる試験眼および他眼の双方の平均である。
【図4C】同時来院時における実際対予測の最良矯正視力（ＢＣＶＡ）である。同時来院のＢＣＶＡを予測するために光干渉断層撮影画像を分析する深層学習アルゴリズムの性能である。（Ａ）全ての来院にわたる試験眼平均である。（Ｂ）全ての来院における他眼平均である。（Ｃ）全ての来院にわたる試験眼および他眼の双方の平均である。
【0012】
【図5A】関連する光干渉断層撮影からの同時来院時の＜６９文字の最良矯正視力（ＢＣＶＡ）を予測する深層学習アルゴリズムの性能である。（Ａ）ＢＣＶＡ＜６９文字。無作為来院における試験眼である。（Ｂ）ＢＣＶＡ＜６９文字。無作為来院における他眼である。（Ｃ）ＢＣＶＡ＜６９文字である。無作為来院における試験眼および他眼の双方である。
【図5B】関連する光干渉断層撮影からの同時来院時の＜６９文字の最良矯正視力（ＢＣＶＡ）を予測する深層学習アルゴリズムの性能である。（Ａ）ＢＣＶＡ＜６９文字。無作為来院における試験眼である。（Ｂ）ＢＣＶＡ＜６９文字。無作為来院における他眼である。（Ｃ）ＢＣＶＡ＜６９文字である。無作為来院における試験眼および他眼の双方である。
【図5C】関連する光干渉断層撮影からの同時来院時の＜６９文字の最良矯正視力（ＢＣＶＡ）を予測する深層学習アルゴリズムの性能である。（Ａ）ＢＣＶＡ＜６９文字。無作為来院における試験眼である。（Ｂ）ＢＣＶＡ＜６９文字。無作為来院における他眼である。（Ｃ）ＢＣＶＡ＜６９文字である。無作為来院における試験眼および他眼の双方である。
【0013】
【図6A】１２ヶ月目の実際対予測のＢＣＶＡである。ベースライン光干渉断層撮影画像を分析して１２ヶ月目のＢＣＶＡを予測する深層学習アルゴリズムの性能である。（Ａ）試験眼である。（Ｂ）他眼である。（Ｃ）試験眼および他眼の双方である。
【図6B】１２ヶ月目の実際対予測のＢＣＶＡである。ベースライン光干渉断層撮影画像を分析して１２ヶ月目のＢＣＶＡを予測する深層学習アルゴリズムの性能である。（Ａ）試験眼である。（Ｂ）他眼である。（Ｃ）試験眼および他眼の双方である。
【図6C】１２ヶ月目の実際対予測のＢＣＶＡである。ベースライン光干渉断層撮影画像を分析して１２ヶ月目のＢＣＶＡを予測する深層学習アルゴリズムの性能である。（Ａ）試験眼である。（Ｂ）他眼である。（Ｃ）試験眼および他眼の双方である。
【0014】
【図7A】ベースライン光干渉断層撮影から１２ヶ月目の＜６９文字の最良矯正視力（ＢＣＶＡ）を予測する深層学習アルゴリズムの性能である。（Ａ）１２ヶ月目のＢＣＶＡ＜６９文字である。試験眼である。（Ｂ）１２ヶ月目のＢＣＶＡ＜６９文字である。他眼である。（Ｃ）１２ヶ月目のＢＣＶＡ＜６９文字である。試験眼および他眼の双方である。
【図7B】ベースライン光干渉断層撮影から１２ヶ月目の＜６９文字の最良矯正視力（ＢＣＶＡ）を予測する深層学習アルゴリズムの性能である。（Ａ）１２ヶ月目のＢＣＶＡ＜６９文字である。試験眼である。（Ｂ）１２ヶ月目のＢＣＶＡ＜６９文字である。他眼である。（Ｃ）１２ヶ月目のＢＣＶＡ＜６９文字である。試験眼および他眼の双方である。
【図7C】ベースライン光干渉断層撮影から１２ヶ月目の＜６９文字の最良矯正視力（ＢＣＶＡ）を予測する深層学習アルゴリズムの性能である。（Ａ）１２ヶ月目のＢＣＶＡ＜６９文字である。試験眼である。（Ｂ）１２ヶ月目のＢＣＶＡ＜６９文字である。他眼である。（Ｃ）１２ヶ月目のＢＣＶＡ＜６９文字である。試験眼および他眼の双方である。
【0015】
【図8】ベースラインにおける試験眼の標準偏差への他眼におけるＢＣＶＡの標準偏差の制限である。
【0016】
【図9】ベースライン、６ヶ月目、１２ヶ月目、１８ヶ月目および２４ヶ月目の試験眼（黒色）および他眼（赤色）に対するＢＣＶＡの変動によるＲ２である。
【0017】
【図10】深層学習パイプラインである。インセプションＲｅｓＮｅｔ－ｖ２畳み込みニューラルネットワークに入力されるカラー眼底写真画像を使用することによる最良矯正視力（ＢＣＶＡ）の予測である。
【0018】
【図11A】ＡＮＣＨＯＲ外部検証テストセットにおけるＢＣＶＡを予測するためにカラー眼底写真画像を分析する深層学習回帰モデルの性能である。（Ａ）チャート距離２メートルでの実際対予測のＢＣＶＡである。（Ｂ）チャート距離４メートルでの実際対予測のＢＣＶＡである。
【図11B】ＡＮＣＨＯＲ外部検証テストセットにおけるＢＣＶＡを予測するためにカラー眼底写真画像を分析する深層学習回帰モデルの性能である。（Ａ）チャート距離２メートルでの実際対予測のＢＣＶＡである。（Ｂ）チャート距離４メートルでの実際対予測のＢＣＶＡである。
【0019】
【図12A】カラー眼底写真画像を分析して、ＡＮＣＨＯＲ外部検証テストセットにおいて＜６９文字（スネレン当量＜２０／４０）のＢＣＶＡを予測する深層学習分類モデルの性能である。（Ａ）チャート距離２メートルでの受信機動作特性曲線である。（Ｂ）チャート距離４メートルでの受信機動作特性曲線である。
【図12B】カラー眼底写真画像を分析して、ＡＮＣＨＯＲ外部検証テストセットにおいて＜６９文字（スネレン当量＜２０／４０）のＢＣＶＡを予測する深層学習分類モデルの性能である。（Ａ）チャート距離２メートルでの受信機動作特性曲線である。（Ｂ）チャート距離４メートルでの受信機動作特性曲線である。
【0020】
【図13】本明細書に開示される１つ以上の動作および／または１つ以上の方法の一部または全部を実行するように構成されることができるコンピューティングシステムのネットワークである。
【発明を実施するための形態】
【0021】
添付の図面において、同様の構成要素および／または特徴は、同じ参照ラベルを有することができる。さらに、同じ種類の様々な構成要素は、参照ラベルの後に同様の構成要素を区別するダッシュおよび第２のラベルを続けることによって区別されることができる。本明細書において第１の参照ラベルのみが使用される場合、説明は、第２の参照ラベルに関係なく、同じ第１の参照ラベルを有する同様の構成要素のいずれかに適用可能である。
【0022】
Ｉ．概要
この説明は、被験者の眼の画像の分析に基づいて、被験者の視覚機能（例えば、視力）を特徴付けるメトリックを予測することに関する。予測は、処置開発中の目的の定義および所与の個体に適した処置の選択を容易にすることができる。眼の画像は、（例えば）光干渉断層撮影（ＯＣＴ）画像、カラー眼底画像または赤外線眼底画像を含むことができる。被験者は、眼疾患（例えば、黄斑変性、新生血管加齢黄斑変性、緑内障、白内障または糖尿病性網膜症）と診断されることができるが、そうである必要はない。
この説明は、被験者の眼の画像の分析に基づいて、被験者の視覚機能（例えば、視力）を特徴付けるメトリックを予測することに関する。予測は、処置開発中の目的の定義および所与の個体に適した処置の選択を容易にすることができる。眼の画像は、（例えば）光干渉断層撮影（ＯＣＴ）画像、カラー眼底画像または赤外線眼底画像を含むことができる。被験者は、眼疾患（例えば、黄斑変性、新生血管加齢黄斑変性、緑内障、白内障または糖尿病性網膜症）と診断されることができるが、そうである必要はない。
【0023】
予測視力は、被験者が（例えば、１つ以上のサイズの）視覚オブジェクトをどれだけ正確に識別することができるかに基づいて生成された視力メトリックを含むことができる。視覚オブジェクトは、英数字を含むことができ、および／または視力は、視力検査表上の１つ以上の英数字を読み取る能力に対応することができる。予測視力は、現在の視力（例えば、眼の画像の捕捉に関連する時点または期間内の視力を特徴付けること）または将来の視力（例えば、眼の画像が捕捉された時点またはその中の視力と比較して、将来の時点または将来の期間内の視力を特徴付けること）に対応するメトリックに対応することができる。
【0024】
視力は、訓練された機械学習モデルを使用して（健康で疾患のない被験者について、眼関連疾患を有する被験者について、または眼関連病状を有する被験者について）予測されることができる。場合によっては、機械学習モデルは、論理ベースの条件評価の結果を出力するように構成されてもよい。例えば、機械学習モデルは、観察者の現在の視力または将来の視力（例えば、特定の時間における）が所定の閾値を下回るかどうかを予測するように構成および訓練されることができる。機械学習モデルは、（例えば）深層機械学習モデル、畳み込み機械学習モデル、回帰モデル、および／または分類器モデルを含むことができる。使用されることができる例示的な深層畳み込みニューラルネットワークアーキテクチャは、ＡｌｅｘＮｅｔ、ＲｅｓＮｅｔ、ＶＧＧＮｅｔ、インセプション、ＤｅｎｓｅＮｅｔ、ＥｆｆｉｃｉｅｎｔＮｅｔ、ＧｏｏｇＬｅＮｅｔ、またはこれらのモデルのいずれかの変形を含む。機械学習モデルは、（例えば）１つ以上の畳み込み層、１つ以上のプーリング層（例えば、最大プーリングまたは平均プーリング）、１つ以上の完全接続層、１つ以上のドロップアウト層、および／または１つ以上の活性化関数（例えば、シグモイド関数、ｔａｎｈ関数、または正規化線形ユニット）を含むことができる。機械学習モデルは、モデルの畳み込み層において１つ以上のカーネルサイズのフィルタを使用することができる。例えば、カーネルサイズは、レイヤ間で異なることができる。機械学習モデルは、（例えば）予測視力メトリック、視力メトリック範囲（例えば、開または閉範囲）、および／または１つ以上の論理条件（例えば、被験者の視力が少なくとも特定の閾値と同程度に良好であるかどうかを示すために）の評価に基づく結果を出力するように構成および訓練されることができる。
【0025】
訓練された機械学習モデルは、固定ハイパーパラメータのセット（例えば、プログラマまたはユーザによって定義される）およびパラメータのセット（例えば、訓練中に学習された値を有すること）に基づいて定義されることができる。パラメータのセットは、（例えば）ノード（またはニューロン）が受信値を変換するために適用する重みのセットを含むことができる。所与のノードによって受信された値は、前の層からの（または入力からの）値のセットを含むことができ、値のセットは、（例えば、受信フィールドが１つ以上のハイパーパラメータによって定義されるサイズ、パディングなどを有する場合）ノードの受信フィールドに対応する。
【0026】
場合によっては、機械学習モデルは、特定の時点または特定の期間に対応するデータを含む入力を（例えば、部分的にまたは全体的に）受け取り、特定の時点または特定の期間に対応する結果を出力するように訓練される。例えば、機械学習モデルは、被験者の現在の視力または１つ以上の入力画像が最初に取得された日付における視力を予測するように訓練されることができる。場合によっては、機械学習モデルは、特定の時点または特定の期間に対応するデータを含む入力を（例えば、部分的にまたは全体的に）受け取り、後の時点または後の期間（例えば、入力データが収集された日から少なくとも１週間、入力データが収集された日から少なくとも２週間、入力データが収集された日から少なくとも１ヶ月、入力データが収集された日から少なくとも３ヶ月、入力データが収集された日から少なくとも６ヶ月、入力データが収集された日から少なくとも１年間、入力データが収集された日から少なくとも２年間、または入力データが収集された日から少なくとも６年間）に対応する結果を出力するように訓練される。
【0027】
場合によっては、機械学習モデルは、現在のメトリック（例えば、入力データに関連付けられた時間または期間に対応する）を予測するために訓練中に学習されたパラメータで初期化され、その後、後の時点または後の期間（例えば、入力データが収集された日から少なくとも１週間、入力データが収集された日から少なくとも２週間、入力データが収集された日から少なくとも１ヶ月、入力データが収集された日から少なくとも３ヶ月、入力データが収集された日から少なくとも６ヶ月、入力データが収集された日から少なくとも１年間、入力データが収集された日から少なくとも２年間、または入力データが収集された日から少なくとも６年間）のメトリックを予測するために（例えば、転移学習を使用して）さらに訓練される。場合によっては、機械学習モデルは、入力（例えば、３ヶ月、６ヶ月、１年など）に含まれる画像の集合に関連する時間に対して予測が行われる後続の時点を示す入力値を受信するように構成される。場合によっては、１つ以上の機械学習モデルは、異なる時点または期間に関連する出力を予測するように別々に訓練される。
【0028】
場合によっては、処理パイプラインは、中間結果（例えば、現在の時点または入力画像の集合と関連付けられた時点と関連付けられた視力または最良矯正視力の予測）を生成するために１つ以上の入力画像を処理するための機械学習モデルを含み、中間結果（例えば、１つ以上の第１の時点における予測視力の代表）を受け取り、別の結果（例えば、第１の時点に続く第２の時点での予測視力を表す）を出力するように構成された１つ以上の他の機械学習モデルおよび／または１つ以上の他の後処理関数をさらに含む。例えば、別の機械学習モデルおよび／または後処理関数は、中間結果および潜在的に１つ以上の他の変数（例えば、１つ以上の他の時点、１つ以上の他の被験者の特徴、１つ以上の他の被験者特異的眼解剖学的構造値、疾患または疾患状態を示す１つ以上の変数などに関連する１つ以上の他の中間結果）を受け取り、最終的な（例えば、被験者および／または眼特異的な視力メトリック）を出力するように構成された回帰モデルを含むことができる。
【0029】
１つ以上の予測視力は、（例えば）診断、予後、処置選択、処置推奨、投与量選択および／または投与量推奨を知らせるために使用されることができる。１つ以上の予測視力は、同じ被験者に関連付けられてもよく、被験者の眼の画像が収集された時点または期間、および／または被験者の眼の画像が収集された時点または期間の後の時点または期間に関連付けられてもよい。場合によっては、将来の時点について予測された視力と現在または以前の時点について予測された視力との間の比例差または絶対差が判定され、診断、予後、臨床トライアル基準、処置選択、処置推奨、投与量選択、投与量推奨、医療専門家によるフォローアップの推奨頻度などを知らせるために使用される。診断は、（例えば）疾患（例えば、加齢黄斑変性）、疾患の種類（例えば、新生血管加齢黄斑変性対萎縮加齢黄斑変性）または疾患の重症度（例えば、加齢黄斑変性の重症度）を識別することを含むことができる。予後診断は、（例えば）所与の視覚機能の低下が起こると予測される時間、所与の疾患の移行が起こると予測される時間、所与の疾患の移行が起こる確率（例えば、ある期間にわたってまたは常に）などを識別することを含むことができる。例えば、萎縮型ＡＭＤを有する被験者の約１０～２０％が新生血管ＡＭＤに移行する。将来の時間に関連する予測視力が使用されて、被験者が新生血管ＡＭＤに移行する確率または予測時間を予測することができる。
【0030】
一例として、被験者が加齢性黄斑変性症と診断されている場合、疾患は、「新生血管加齢性黄斑変性症（ＡＭＤ）」（湿潤型ＡＭＤとしても知られる）または「萎縮型ＡＭＤ（乾燥型ＡＭＤとしても知られる）」とすることができる。ＡＭＤを有する個体の約８０～９０％が萎縮型ＡＭＤを有する。新生血管ＡＭＤは、より侵攻性であり、重症視力喪失型ＡＭＤ症例の約９０％を占める。場合によっては（例えば、データが、被験者が新生血管ＡＭＤまたは萎縮型ＡＭＤと特異的に診断されていないことを示す場合）、予測される将来の視力と現在または最近の視力との間の相対差または絶対差が所定の変化閾値を上回る場合、または絶対的な予測される将来の視力が所定の現在時間閾値を上回る場合、出力は、被験者が（萎縮型ＡＭＤの代わりに）新生血管ＡＭＤを有する可能性があると予測することができる。場合によっては（例えば、萎縮型ＡＭＤの初期診断が示された場合、または血管液の漏出の報告がない場合）、予測される将来の視力と現在または最近の視力との間の相対的または絶対的な差が所定の変化閾値を上回る場合、または絶対的な予測される将来の視力が所定の現在時間閾値を上回る場合、出力は、被験者が（早期萎縮型ＡＭＤの代わりに）後期萎縮型ＡＭＤを有する可能性があることを予測することができる。場合によっては（例えば、萎縮型ＡＭＤの初期診断が示された場合、または血管液の漏出の報告がない場合）、予測される将来の視力と現在または最近の視力との間の相対的または絶対的な差が所定の変化閾値を上回る場合、または絶対的な予測される将来の視力が所定の現在時間閾値を上回る場合、出力は、被験者が新生血管ＡＭＤに移行する相対的なリスクがある（例えば、所与の期間内に）と予測することができる。
【0031】
萎縮型ＡＭＤを有するほとんどの被験者は、薬剤によって処置されず、その代わりに、症状が新生血管ＡＭＤに進行するか否かおよび／または進行するかどうかを判定するために監視される。出力が、被験者が新生血管ＡＭＤを有する可能性が高い、後期萎縮型ＡＭＤを有する可能性が高い、および／または新生血管ＡＭＤに移行するリスクが高いと予測した場合、コンピューティングシステムは、被験者の画像ベースのモニタリングのスケジュールを変更すること（例えば、眼の画像が以前に計画されたよりも早く収集されるように）、および／またはＡＭＤ処置を開始することを推奨することができ、および／または介護者が決定することができる。ＡＭＤ処置は、（例えば）抗血管内皮成長因子（抗ＶＥＧＦ）剤（例えば、ラニビズマブ、ベバシズマブ、アフィベルセプトおよびコンベルセプト）またはファリシマブ（アンジオポエチン－２およびＶＥＧＦ－Ａを中和する現在臨床試験中の二重特異性抗体）を含むことができる。
【0032】
緑内障は、視力障害（例えば、視力）を引き起こす別の眼疾患である。緑内障は、視神経を損傷する眼の異常に高い圧力によって引き起こされる。緑内障の危険因子は、年齢、人種、家族歴および眼損傷を含む。６０歳を超える人々は、緑内障を発症するリスクが高い。アフリカ系アメリカ人は、緑内障を発症する可能性が高く、４０歳を超えるとリスクが高くなる。さらに、糖尿病および高血圧などの医学的症状は、緑内障を発症するリスクを増加させる可能性がある。
【0033】
緑内障は、包括的な眼の検査によって診断されることができる。視力検査および眼圧測定が使用されて、緑内障の診断を容易にすることができる。さらに、ＯＣＴおよびカラー眼底写真は、緑内障を示すことができる視神経の変化または異常を識別することができる。
【0034】
緑内障は、ゆっくりと発症するが、処置しなければ２０年間にわたって失明を引き起こす可能性がある。処置により、失明を防ぐことができる。それほど深刻でない場合には、処方点眼薬が使用されて、眼に産生させる液を少なくすることができる。より重篤な場合には、レーザー手術が使用されて眼の排液網を広げることができる。ＯＣＴおよびカラー眼底撮影などの撮像技術が使用されて、緑内障の発症を経時的に監視することができる。進行速度は、処置選択肢を選択するのに有用とすることができる。
【0035】
視力に影響を及ぼす加齢に関連する他の一般的な眼の症状は、白内障およびドライアイである。白内障は、眼の水晶体の混濁であり、ドライアイは、眼内の適切な潤滑性の欠如である。白内障は、外科的に除去されることができ、ドライアイは、点眼薬または他の薬物によって処置されることができる。極端な場合、ドライアイを処置するために外科的処置を行うことができる。正常な視力またはＢＣＶＡは、白内障およびドライアイの双方の処置によって回復されることができる。
【0036】
視力低下を引き起こし得るさらに別の眼の症状は、糖尿病性網膜症である。疾患の初期段階では、血管壁を通る血管透過性の増加（小分子または全細胞の流れを増加させる）などの軽度の非増殖性異常が起こる。後期段階では、網膜または硝子体後面上の血管閉塞および／または新たな血管の成長が頻繁に観察される。黄斑浮腫は、任意の疾患段階で起こる可能性があり、破裂した血管に起因する黄斑の層における流体の蓄積を含む。黄斑浮腫は、霧視および視力低下をもたらす可能性がある。
【0037】
全ての糖尿病は、糖尿病性網膜症を発症するリスクがある。診断は、（例えば）視力低下、微小動脈瘤（例えば、眼底写真または光干渉断層撮影（ＯＣＴ）画像に示される）、ドットおよびブロット出血（例えば、眼底写真またはＯＣＴ画像に示される）、硬網膜滲出液（例えば、眼底写真に示される）、軟性滲出液（例えば、眼底写真に示される）、静脈拡張（例えば、眼底写真またはＯＣＴ画像に示される）、静脈拡張（例えば、眼底写真またはＯＣＴ画像に示される）、網膜肥厚（例えば、眼底写真またはＯＣＴ画像に示される）、網膜および／または脈絡膜血管系の漏出または非灌流（例えば、眼底フルオレセイン蛍光眼底造影の使用によって示されるように）などを検出することによって行われることができる。糖尿病性網膜症は、ベースライン瞳孔径の減少、瞳孔収縮の振幅の減少、瞳孔収縮の速度の減少および／または瞳孔拡張の速度の減少などの複数の瞳孔サイズ測定値（例えば、瞳孔拡張後に観察される）とさらに一致する。
【0038】
初期の糖尿病性網膜症は、処置されないことが多い。進行した糖尿病性網膜症は、抗ＶＥＧＦ、硝子体切除術（眼から血液および瘢痕組織を除去する手術）、汎網膜光凝固（血管を収縮させるレーザー処置）および／または光凝固（眼内の血液および他の体液の漏出を抑制するレーザー処置）を用いて処置されることができる。
【0039】
本明細書に開示される技術は、眼疾患または眼の症状（例えば、加齢黄斑変性、糖尿病性網膜症、黄斑浮腫、緑内障、白内障またはドライアイ）を有する被験者の眼の画像を処理して、特定の処置の有効性を（例えば）予測し、臨床試験の設計または実施を使用または推奨および／または促進するための特定の処置を識別するために使用されることができる。
【0040】
ＩＩ．入力データ、前処理、訓練データ
ＩＩ．Ａ．入力データ
（例えば、新たな出力を生成するために処理されるべきであり、または訓練中に処理されるべきである）機械学習モデルによって受信されたデータは、その１つ以上の処理されたバージョンの被験者の眼の１つ以上の画像を含むことができる。１つ以上の画像は、光干渉断層撮影法（ＯＣＴ）、カラー眼底写真、眼底自発蛍光または赤外線眼底写真などの１つ以上の撮像技術を使用して捕捉されていてもよい。１つ以上の撮像技術は、非侵襲的であってもよく、および／または色素の投与（例えば、静脈内または経口投与）を必要としなくてもよい。他の例では、１つ以上の撮像技術は、色素（例えば、眼底フルオレセイン蛍光眼底造影で行われるように）を投与することを含む技術を含む。
ＩＩ．Ａ．入力データ
（例えば、新たな出力を生成するために処理されるべきであり、または訓練中に処理されるべきである）機械学習モデルによって受信されたデータは、その１つ以上の処理されたバージョンの被験者の眼の１つ以上の画像を含むことができる。１つ以上の画像は、光干渉断層撮影法（ＯＣＴ）、カラー眼底写真、眼底自発蛍光または赤外線眼底写真などの１つ以上の撮像技術を使用して捕捉されていてもよい。１つ以上の撮像技術は、非侵襲的であってもよく、および／または色素の投与（例えば、静脈内または経口投与）を必要としなくてもよい。他の例では、１つ以上の撮像技術は、色素（例えば、眼底フルオレセイン蛍光眼底造影で行われるように）を投与することを含む技術を含む。
【0041】
場合によっては、入力データセットは単一の画像を含む。場合によっては、入力データセットは画像のセットを含み、セット内の画像は異なる深度に対応する。
【0042】
ＩＩ．Ａ．１．光干渉断層撮影法
ＯＣＴは、光波を使用して眼の断面画像を構築する非侵襲的撮像技術である。眼の画像を生成するために、干渉計は、低コヒーレンス近赤外光ビームを標的組織および参照ミラーに向かって分割することができる。標的組織および参照ミラーから受光した後方散乱光が結合され、信号の干渉が判定される。より多くの光を反射する標的組織の領域は、より高い干渉を有する。反射率情報は、しばしばＡ－ｓｃａｎと呼ばれ、標的組織の長手方向軸（例えば、深さ）に関する情報を含む。光ビームは、多くの横方向位置で情報を生成するために直線方向に案内されることができる。断面「Ｂスキャン」画像は、横方向位置（例えば、１２８，２５６回または５１２回のＡスキャンを使用する）で深度スキャンを組み合わせることによって生成されることができる。断面画像は、リアルタイムで表示されることができ、分析および診断のプロセスを高速化することができる。３－次元画像は、複数のＢスキャンを含むように構成されることができる。
ＯＣＴは、光波を使用して眼の断面画像を構築する非侵襲的撮像技術である。眼の画像を生成するために、干渉計は、低コヒーレンス近赤外光ビームを標的組織および参照ミラーに向かって分割することができる。標的組織および参照ミラーから受光した後方散乱光が結合され、信号の干渉が判定される。より多くの光を反射する標的組織の領域は、より高い干渉を有する。反射率情報は、しばしばＡ－ｓｃａｎと呼ばれ、標的組織の長手方向軸（例えば、深さ）に関する情報を含む。光ビームは、多くの横方向位置で情報を生成するために直線方向に案内されることができる。断面「Ｂスキャン」画像は、横方向位置（例えば、１２８，２５６回または５１２回のＡスキャンを使用する）で深度スキャンを組み合わせることによって生成されることができる。断面画像は、リアルタイムで表示されることができ、分析および診断のプロセスを高速化することができる。３－次元画像は、複数のＢスキャンを含むように構成されることができる。
【0043】
ＯＣＴは、眼に接触することなく眼の高解像度画像を提供することができる。ＯＣＴは、網膜の別個の層が試験されることを可能にし、特定の層に由来する疾患を識別するのに有用とすることができる。潜在的に重要な２つの領域は網膜にあり、視神経および黄斑を含む。視神経は、眼から脳へ情報を搬送し、黄斑は、高密度の光受容細胞を有する領域である。
【0044】
ＯＣＴは、眼の様々な層の厚さおよびサイズ、細胞組織、さらには軸索の厚さに関する情報を提供することができる。結果として、ＯＣＴは、新生血管ＡＭＤなどの症状の診断および処置の決定に役立つことができる。網膜、網膜下または色素下の上皮腔（例えば、網膜下腔のドーム形状反射領域を介して、非ドルーセノイド網膜色素上皮またはドルーセノイド色素上皮剥離の上昇および網膜肥厚）の体液を描写するまたは示唆するＯＣＴ画像は、新生血管ＡＭＤの存在と一致することができる。
【0045】
ＩＩ．Ａ．２．カラー眼底写真
カラー眼底写真撮影は、眼底カメラまたは網膜カメラを使用して眼の内面のカラー画像を記録することを含む。眼底カメラは、眼の網膜、網膜血管系、視神経円板、黄斑および眼底を撮影することができるカメラを備えた低倍率顕微鏡である。眼底カメラから画像を撮像するために送られる光線（例えば、白色光）は、眼の瞳孔を通って出入りする。場合によっては、眼の瞳孔が拡張されて、撮影可能なより大きな領域を提供することができる。カラー眼底画像は、網膜、黄斑、血管、視神経円板および眼底を示す。
カラー眼底写真撮影は、眼底カメラまたは網膜カメラを使用して眼の内面のカラー画像を記録することを含む。眼底カメラは、眼の網膜、網膜血管系、視神経円板、黄斑および眼底を撮影することができるカメラを備えた低倍率顕微鏡である。眼底カメラから画像を撮像するために送られる光線（例えば、白色光）は、眼の瞳孔を通って出入りする。場合によっては、眼の瞳孔が拡張されて、撮影可能なより大きな領域を提供することができる。カラー眼底画像は、網膜、黄斑、血管、視神経円板および眼底を示す。
【0046】
ドルーゼン（主に網膜下の脂質である沈着物）は、蛍光を発し、カラー眼底画像では白色または黄色に見える。ドルーゼンは、一般に高齢者で検出されるが、黄斑における大きなドルーゼンおよび／または大量のドルーゼンの存在は、ＡＭＤ被験者で頻繁に観察される。
【0047】
ＩＩ．Ｂ．前処理
上述したように、生画像は、生画像に対して異なる視点および／または次元を有する他の画像を生成するために処理されることができる。例えば、複数のＡスキャンが処理されて１つ以上のＢスキャンを生成することができ、複数のＢスキャンを使用して（例えば、深度などのいくつかの３次元情報を捕捉することができる）Ｃスキャンが生成されることができる。場合によっては、画像は３次元画像（例えば、複数の２次元画像に基づいて生成される）を含むことができる。場合によっては、カラー眼底写真は、異なる撮像角度で収集されることができ、深度情報を伝達することができる画像の生成を容易にすることができる。
上述したように、生画像は、生画像に対して異なる視点および／または次元を有する他の画像を生成するために処理されることができる。例えば、複数のＡスキャンが処理されて１つ以上のＢスキャンを生成することができ、複数のＢスキャンを使用して（例えば、深度などのいくつかの３次元情報を捕捉することができる）Ｃスキャンが生成されることができる。場合によっては、画像は３次元画像（例えば、複数の２次元画像に基づいて生成される）を含むことができる。場合によっては、カラー眼底写真は、異なる撮像角度で収集されることができ、深度情報を伝達することができる画像の生成を容易にすることができる。
【0048】
目の湾曲により、生画像は、湾曲した構造（例えば、湾曲した網膜層）を描写することができる。次いで、平坦化技術が使用されて、所与の構造（例えば、網膜色素上皮）の（例えば）パイロット推定値に基づいて画像（例えば、２次元画像または３次元画像）を平坦化することができる。例えば、画像はフィルタリングされて（例えば、ガウシアンフィルタを用いて）画像のノイズを除去し、ノイズ除去された画像の各列の最も強い画素が識別されることができる（例えば、網膜色素上皮表面を表すことができる）。次いで、列が上下に調整されて、列にわたって最も強い画素を位置合わせすることができる。別の例として、網膜色素上皮表面はセグメント化されることができ（例えば、強度閾値化を介して）、関数（例えば、スプライン関数）はセグメント化された画素に適合されることができる。次いで、画像の列が再位置合わせされてスプライン関数を平坦化することができる。一例では、生画像は、網膜色素上皮層のセグメント化に平坦化されることができ、画像ボリュームは、平坦化された網膜色素上皮の上の画素および下の画素にトリミングされることができる。
【0049】
前処理は、強度値を正規化および／または標準化することを含むことができ、強度値は、他のタイプの前処理（例えば、Ｂスキャンの生成の前または後、Ｃスキャンの生成、または平坦化技術の適用）の前または後に実行されることができる。
【0050】
平坦化技術および／または他の前処理技術が実行されて、特定の構造の描写を標的位置に位置合わせすることができる。例えば、網膜色素上皮表面に対応すると推測される画素は、同じ行または平面が画像にわたって同じ構造に対応するように、指定された行または平面に（例えば、平坦化プロセス中に）シフトされることができる。
【0051】
一部の機械学習モデルは、特定のサイズの画像を受信するように構成されることができる。したがって、前処理は、例えば、その寸法が特定のサイズを満たすように画像をトリミングおよび／またはパッドするために実行されることができる。一部の機械学習モデルは、特定の解像度を有する画像を受信するように構成されることができる。したがって、前処理は、例えば、画像をダウンサンプリングまたはアップサンプリングするために実行されることができる。
【0052】
ＩＩ．Ｃ．訓練データ
訓練データセットは、それぞれが特定の被験者の特定の眼に関連付けられた複数の訓練データ要素を含む。複数の訓練データ要素のそれぞれは、特定の時点および／または医療訪問にさらに関連付けられることができる。場合によっては、所与の訓練データセットは、特定の種類の疾患に対応する。例えば、訓練データセットは、それぞれがＡＭＤを有するかまたはそれぞれが新生血管ＡＭＤを有する被験者のセットに対応するように定義されることができる。場合によっては、１つ以上の他の制約が被験者セットに課される（例えば、被験者セット中の全ての被験者が特定の年齢範囲内にある、投薬中でないなど）。
訓練データセットは、それぞれが特定の被験者の特定の眼に関連付けられた複数の訓練データ要素を含む。複数の訓練データ要素のそれぞれは、特定の時点および／または医療訪問にさらに関連付けられることができる。場合によっては、所与の訓練データセットは、特定の種類の疾患に対応する。例えば、訓練データセットは、それぞれがＡＭＤを有するかまたはそれぞれが新生血管ＡＭＤを有する被験者のセットに対応するように定義されることができる。場合によっては、１つ以上の他の制約が被験者セットに課される（例えば、被験者セット中の全ての被験者が特定の年齢範囲内にある、投薬中でないなど）。
【0053】
複数の訓練データ要素のそれぞれは、眼の少なくとも一部の１つ以上の画像の入力データを含むことができる。場合によっては、機械学習モデルによって処理される画像は、生画像の前処理されたバージョンである（例えば、セクションＩＩ．Ｂに開示されているような前処理技術を使用して前処理されている）。場合によっては、機械学習モデルは、受信した画像を前処理するための１つ以上の前処理関数を含む（例えば、セクションＩＩ．Ｂ．に開示されている１つ以上を含む）。
【0054】
複数の訓練データ要素のそれぞれは、特定の被験者に関連付けられ、且つ特定の時点に関連付けられた視力を含むか、または別の方法で示すラベルをさらに含むことができ、ラベルは、被験者が視覚刺激を識別する程度を示すことができる。視力メトリックは、特定の被験者が被験者に提示された１つ以上の視覚刺激を正確に識別するおよび／または特徴付けることができるかどうかおよび／または程度を判定すること（例えば、被験者から特定の距離にある、および／または１つ以上の特定のサイズを有する）によって判定されてもよい。視力メトリックは、特定の被験者が特定の眼（例えば、他方の眼がブロックまたは閉鎖された）のみで１つ以上の視覚刺激を見たときに提供される応答を評価することによって、被験者の特定の眼に特有のものとすることができる。
【0055】
ＩＩ．Ｃ．１．視力メトリックのタイプ
予測視力メトリックは、（例えば）比、分子（例えば、固定分母に対する）、実数、整数などの数値メトリックを含むことができる。予測視力メトリックは、視力カテゴリおよび／または視－力境界を含むことができる。例えば、視力スケールは、閾値視力（例えば、２０／１０、２０／２０、２０／２５、２０／３０、２０／４０、２０／５０、２０／７０、２０／１００および２０／２００または－０．３、－０．２、－０．１、０、０．１、０．２、０．３、０．４、０．５、０．６および０．７）のセットを含むことができ、それぞれが１つ以上の視覚刺激に関連付けられて、観察者が視覚刺激（またはその特性）を正確に識別することができる場合、観察者が少なくとも関連する閾値視力を有することを示す。予測視力メトリックは、（例えば、観察者が、視力メトリックに関連する刺激を正確に識別するまたは特徴付けることができるが、セット内のより高い視力に関連する他の刺激は識別するまたは特徴付けることができないことを示す）特定のユーザからの結果に対応するセットにわたる「最良」として定義されることができる。場合によっては（例えば、スネレンスケールを使用する場合）、より高い視力メトリックは、より低い視力メトリックに関連する他のメトリックと比較してより良好な視力を表す。場合によっては（例えば、ＬｏｇＭＡＲスケールを使用する場合）、より低い視力メトリックは、より高い視力メトリックに関連する他のメトリックと比較してより良好な視力を表す。場合によっては（例えば、イエーガースケールを使用する場合）、スケールに沿った値は、視力に単調に依存しない（例えば、Ｊ１＋はＪ１よりも良好な視力を表し、Ｊ１はＪ２よりも良好な視力を表すため）。
予測視力メトリックは、（例えば）比、分子（例えば、固定分母に対する）、実数、整数などの数値メトリックを含むことができる。予測視力メトリックは、視力カテゴリおよび／または視－力境界を含むことができる。例えば、視力スケールは、閾値視力（例えば、２０／１０、２０／２０、２０／２５、２０／３０、２０／４０、２０／５０、２０／７０、２０／１００および２０／２００または－０．３、－０．２、－０．１、０、０．１、０．２、０．３、０．４、０．５、０．６および０．７）のセットを含むことができ、それぞれが１つ以上の視覚刺激に関連付けられて、観察者が視覚刺激（またはその特性）を正確に識別することができる場合、観察者が少なくとも関連する閾値視力を有することを示す。予測視力メトリックは、（例えば、観察者が、視力メトリックに関連する刺激を正確に識別するまたは特徴付けることができるが、セット内のより高い視力に関連する他の刺激は識別するまたは特徴付けることができないことを示す）特定のユーザからの結果に対応するセットにわたる「最良」として定義されることができる。場合によっては（例えば、スネレンスケールを使用する場合）、より高い視力メトリックは、より低い視力メトリックに関連する他のメトリックと比較してより良好な視力を表す。場合によっては（例えば、ＬｏｇＭＡＲスケールを使用する場合）、より低い視力メトリックは、より高い視力メトリックに関連する他のメトリックと比較してより良好な視力を表す。場合によっては（例えば、イエーガースケールを使用する場合）、スケールに沿った値は、視力に単調に依存しない（例えば、Ｊ１＋はＪ１よりも良好な視力を表し、Ｊ１はＪ２よりも良好な視力を表すため）。
【0056】
視力メトリックは、スネレンスケール、ＬｏｇＭＡＲスケールまたはイエーガースケールなどのスケールに沿って表された値の中から選択された値を含むことができる。視力メトリックは、スネレン分率、ＬｏｇＭＡＲ値またはイエーガースコアを含むことができる。視－力メトリックは、（例えば、特定の眼で１つ以上のキャラクタを見るときに）１つ以上のキャラクタを正しく識別するおよび／または特徴付ける被験者の能力に基づいて決定される値を含むことができる。１つ以上の文字は、１つ以上の文字、１つ以上の数字、１つ以上のタンブリングＥ、１つ以上のランドルトＣ、および／または特定のサイズおよび被験者から特定の距離で提示される１つ以上のリア記号を含むことができる。
【0057】
視－力メトリックは、観察者から特定の距離（例えば、２メートルまたは４メートル）に配置されたチャートまたはカード上に提示された１つ以上の視覚刺激を識別するおよび／または特徴付ける観察者の能力に基づいて決定された値を含むことができる。チャートまたはカードは、物理的なチャートまたはカード（例えば、紙、プラスチック、ラミネート、厚紙などを含む）、または仮想のチャートまたはカード（例えば、電子装置のディスプレイ上に提示される）とすることができる。チャートまたはカードは、それぞれが１つ以上の文字（例えば、文字、数字、タンブリングＥ、ランドルトＣおよび／またはリア記号）を含む複数の線を含むことができる。各線は、線内の１つ以上の文字のサイズを示す文字サイズ（例えば、高さ、幅および／またはアスペクト比）に関連付けられることができる。サイズは、線にわたって変化することができる（例えば、単調に）。チャートまたはカードの線の数は、（例えば）少なくとも３本、少なくとも５本、少なくとも７本、少なくとも９本、または少なくとも１１本の線、２０本未満、１５本未満、１３本未満、１０本未満、または７本未満の線、および／または約５本、約７本、約９本および／または約１１本の線とすることができる。
【0058】
チャートまたはカードは、（例えば）スネレンチャート（例えば、文字の複数の行を含む、幅よりも高く、各行は前の行よりも多くの文字および小さい文字を有し、行間の文字サイズ差は、絶対サイズ差と相対サイズ差の双方を考慮すると、チャート全体で異なる）、修正スネレンチャート、最小解像度角の対数（ＬｏｇＭＡＲ）チャート（行毎に同じ数の文字、文字サイズおよび行間間隔が、正方形の形状に寸法決めされた行および文字にわたって対数的に変化する）、ベイリーローヴィチャート、初期処置糖尿病性網膜症試験（ＥＴＤＲＳ）チャート（行毎に同じ数の文字、文字サイズおよび行間間隔が、長方形に寸法決めされた行および文字にわたって対数的に変化する）、ローゼンバウムカードを含むことができる。
【0059】
視力メトリックは、視力矯正（例えば、眼鏡またはコンタクト）の有無にかかわらず、特定の距離（例えば、２メートルまたは４メートル）での視力を含むことができる。観視者が視力矯正を使用しているときに視力メトリックが判定される場合、メトリックは、矯正視力または最良矯正視力を含むことができる。
【0060】
視－力メトリックは、比を含むことができる。比は、比の分母に示されるように、障害のない観察者がある距離（特定の単位）で解読することができるのと同様に、観察者が視覚刺激を解読するために視覚刺激に対してしなければならない推定された低閾値距離（特定の単位）を表す分子を含むことができる。比は、視覚刺激（例えば、片眼を使用する）を正確に識別するまたは特徴付けるために被験者が視覚刺激からあり得る最長距離を識別する分子を含むことができ、視覚刺激を正確に識別するまたは特徴付けるために、代表的な被験者（視覚障害のない）が視覚刺激（または視覚刺激と同じまたは実質的に同様の高さおよび／または幅を有する同様の視覚刺激）からあり得る最長距離を識別する分母を含むことができる。比は、スネレン分率を含むことができる。比および／または検査は、分子または分母について同じ値を有する比を生成するように定義されることができる。一例として、２０／４０のメトリックは、平均的な障害のない観察者が４０単位の測定値で検出および／または解読することができる刺激特徴を検出および／または解読するために、観察者が視覚刺激から２０単位の測定値（例えば、フィート、ヤード、メートルなど）以内にいなければならないことを示すことができる。比は、指定された分子を含むことができる。例えば、分子が２０に設定された比を含む比を出力するようにモデルが構成されることができる。
【0061】
場合によっては、訓練データ要素の全てが同じタイプの視－力メトリックを含む。例えば、訓練データ要素の全ては、スネレン分率を含むことができる。場合によっては、訓練データ要素のうちの少なくとも２つは、異なる種類の視力メトリックを含む。例えば、第１の訓練データ要素は、スネレン分率を含むことができ、第２の訓練データ要素は、ＬｏｇＭＡＲスコアを含むことができる。これらの例では、訓練データ要素の少なくともいくつかのそれぞれが処理されて、視力メトリックを変換することができる。例えば、ルックアップテーブルまたはアルゴリズムが使用されて、ＬｏｇＭＡＲスコアをスネレン分率に変換することができ、あるいはルックアップテーブルまたはアルゴリズムが使用されて、各ＬｏｇＭＡＲスコアおよび各スネレン分率をさらに別のスケールに沿ってスコアに変換することができる。
【0062】
ＩＩ．Ｃ．２．視力メトリックのためのタイミング関連付け
場合によっては、訓練データ要素の１つ以上のそれぞれについて、視－力メトリックは、訓練データ要素内の画像が収集された日付に対応する時間に実行された被験者の眼の機能的評価（例えば、チャートまたはカードの提示に応答して提供される回答による）に基づいて判定されたものを含む。例えば、被験者は、被験者の眼の画像が収集されたものと同じ日に、同じ週間以内に、または同じ２週間以内に（例えば、視力検査表上の文字または他の視覚刺激を正しく識別するまたは特徴付けることを試みることによって）視力評価を完了することができる。
場合によっては、訓練データ要素の１つ以上のそれぞれについて、視－力メトリックは、訓練データ要素内の画像が収集された日付に対応する時間に実行された被験者の眼の機能的評価（例えば、チャートまたはカードの提示に応答して提供される回答による）に基づいて判定されたものを含む。例えば、被験者は、被験者の眼の画像が収集されたものと同じ日に、同じ週間以内に、または同じ２週間以内に（例えば、視力検査表上の文字または他の視覚刺激を正しく識別するまたは特徴付けることを試みることによって）視力評価を完了することができる。
【0063】
場合によっては、１つ以上の訓練データ要素のそれぞれについて、視－力メトリックは、訓練データ要素内の画像が収集された日付の後の時点で実行された被験者の眼の機能的評価に基づいて判定されたものを含む。例えば、被験者は、被験者の眼の画像が収集された日または期間の少なくともまたはおよそ１ヶ月後、少なくともまたはおよそ２ヶ月後、少なくともまたはおよそ６ヶ月後、少なくともまたはおよそ１年後、少なくともまたはおよそ２年後、または少なくともまたはおよそ５年後に視力評価を完了することができる。
【0064】
場合によっては、訓練データ要素のうちの１つ以上のそれぞれについて、訓練データ要素は、訓練データ要素内の画像が収集された日付に対応する時間に関連付けられた視力メトリックを含み、訓練データ要素内の画像が収集された日付の後の時間に関連付けられた別の視力メトリックをさらに含む。
【0065】
ＩＩＩ．機械学習モデル
訓練データは、パラメータのセットが学習されるように、機械学習モデルを訓練するために使用されることができる。次いで、訓練された機械学習モデルが使用されて、他の入力（例えば、セクションＩＩ．Ｂに開示されているタイプなどのタイプを使用して前処理されることができるセクションＩＩ．Ａに記載されているタイプのもの）を処理し、視力を予測する出力を生成することができる。
訓練データは、パラメータのセットが学習されるように、機械学習モデルを訓練するために使用されることができる。次いで、訓練された機械学習モデルが使用されて、他の入力（例えば、セクションＩＩ．Ｂに開示されているタイプなどのタイプを使用して前処理されることができるセクションＩＩ．Ａに記載されているタイプのもの）を処理し、視力を予測する出力を生成することができる。
【0066】
ＩＩＩ．Ａ．モデルアーキテクチャ
機械学習モデルは、（例えば）深層学習アーキテクチャ、残差－ネットワークアーキテクチャ、および／または畳み込みニューラルネットワークアーキテクチャを有することができる。深層学習アーキテクチャは、モデルが階層学習を実行し、１つ以上の下位レベルの下位レベル特徴を最初に識別し、上位レベルの上位レベル特徴を識別するように構成されることができる。機械学習モデルは、（例えば）ＲｅｓＮｅｔアーキテクチャ、ＡｌｅｘＮｅｔアーキテクチャ、ＤｅｎｓｅＮｅｔアーキテクチャ、ＥｆｆｉｃｉｅｎｔＮｅｔアーキテクチャ、ＧｏｏｇＬｅＮｅｔアーキテクチャ、またはＶＧＧＮｅｔアーキテクチャを有することができる。
機械学習モデルは、（例えば）深層学習アーキテクチャ、残差－ネットワークアーキテクチャ、および／または畳み込みニューラルネットワークアーキテクチャを有することができる。深層学習アーキテクチャは、モデルが階層学習を実行し、１つ以上の下位レベルの下位レベル特徴を最初に識別し、上位レベルの上位レベル特徴を識別するように構成されることができる。機械学習モデルは、（例えば）ＲｅｓＮｅｔアーキテクチャ、ＡｌｅｘＮｅｔアーキテクチャ、ＤｅｎｓｅＮｅｔアーキテクチャ、ＥｆｆｉｃｉｅｎｔＮｅｔアーキテクチャ、ＧｏｏｇＬｅＮｅｔアーキテクチャ、またはＶＧＧＮｅｔアーキテクチャを有することができる。
【0067】
機械学習モデルは、１つ以上の畳み込み層（例えば、少なくとも３つの畳み込み層、少なくとも４つの畳み込み層、少なくとも５つの畳み込み層、または少なくとも７つの畳み込み層）、１つ以上の疎畳み込み層、１つ以上のプーリング層（例えば、最大プーリング層または平均プーリング層）、１つまたは１つ以上の開始モジュール、ドロップアウトの使用、バッチ正規化の使用、１つ以上の密層および／または１つ以上の活性化関数を含むことができる。場合によっては、１つ以上または全ての畳み込み層のそれぞれの後にプーリング層が続く。例えば、モデルは、５つの畳み込み層を含むことができ、３つの畳み込み層のそれぞれの後にプーリング層が続くことができる。プーリング層は、モデルによって学習されるパラメータの数を減らすことができる。
【0068】
機械学習モデルは、１つの層（層ｌ）からの出力を１つの層に直接隣接しない別の層（層ｌ＋２、層ｌ＋３、層ｌ＋４など）に供給する残差層またはスキップ接続を含むことができる。スキップは、消失勾配状況を低減または回避することができる。したがって、スキップは、多数の層を有するネットワークの使用をさらに容易にすることができる。機械学習モデルは、（例えば）少なくとも１０、少なくとも２０、少なくとも３０、少なくとも４０、または少なくとも４５の畳み込み層（例えば、潜在的に、１つ以上の最大－プーリング層に加えて、１つ以上の平均プーリング層および／または１つ以上の完全接続層）を含むことができる。機械学習モデルは、それぞれが３つの層を含む残差ブロックを含むことができる。モデルの前段階の残差ブロックで使用されるカーネルのサイズは、モデルの後段階の残差ブロックで使用されるカーネルのサイズよりも小さくてもよい。
【0069】
機械学習モデルは、数値出力またはカテゴリ出力（例えば、視力のレベルを示すこと、および／または視力が閾値以上であるかどうかに関するバイナリ予測を含むこと）を出力するように構成されることができる。場合によっては、数値出力を出力する機械学習モデルは、線形活性化関数を含み、および／または誤差ベースの損失関数（例えば、平均二乗誤差）を使用する。カテゴリ出力を出力する機械学習モデルは、（例えば）ソフトマックス活性化関数を含むことができ、および／またはカテゴリ損失関数（例えば、疎なカテゴリのクロスエントロピー損失関数）を使用することができる。
【0070】
ＩＩＩ．Ｂ．モデル訓練
場合によっては、第１の訓練データセットは、それぞれが（被験者の眼の）１つ以上の画像と、画像が捕捉された時刻に対応する時刻における被験者の視力に対応するラベルとを含む第１の訓練データ要素セットを含む。特定のアーキテクチャを有する機械学習モデルは、第１のパラメータセットが学習されるように、第１の訓練データセットを使用して訓練されることができる。
場合によっては、第１の訓練データセットは、それぞれが（被験者の眼の）１つ以上の画像と、画像が捕捉された時刻に対応する時刻における被験者の視力に対応するラベルとを含む第１の訓練データ要素セットを含む。特定のアーキテクチャを有する機械学習モデルは、第１のパラメータセットが学習されるように、第１の訓練データセットを使用して訓練されることができる。
【0071】
第２の訓練データセットは、第２の訓練データ要素セットを含むことができ、第２の訓練データ要素セットは、それぞれが（被験者の眼の）１つ以上の画像と、画像が捕捉された時間よりも遅い（例えば、それよりも１２ヶ月後）時間における被験者の視力に対応するラベルとを含む。場合によっては、第１の訓練データセットに表される各被験者は、第２の訓練データセットにも表される。場合によっては、第１の訓練データセットに表される被験者の少なくとも一部は、第２の訓練データセットにも表される。場合によっては、第１の訓練データセットに表される被験者は、第２の訓練データセットに表される被験者と少なくとも部分的にまたは完全に異なる。
【0072】
特定のアーキテクチャと少なくとも部分的または全体的に同じアーキテクチャを有する機械学習モデルは、第２のパラメータセットが学習されるように、第２の訓練データセットを使用して訓練されることができる。例えば、第１および第２の訓練データセットを使用して訓練されたモデルのそれぞれは、ＲｅｓＮｅｔ－５０ ＣＮＮアーキテクチャを含むことができる。
【0073】
場合によっては、後続の視力メトリックを予測するように訓練されるべきモデルは、現在の（例えば、入力画像が収集された同じ期間に対応する）視力を予測するように訓練されたモデルによって学習されたパラメータを使用して初期化される。その後、後続の訓練が実行されることができる。
【0074】
場合によっては、単一の機械学習モデルは、第１および第２の訓練データセットの双方を使用して訓練されてもよいが、機械学習モデルは、予測がどの時点に対応するかに関する指示を（画像に加えて）受信するように構成されてもよい。
【0075】
場合によっては、機械学習モデルは、視力の低下速度、１つ以上の速度定数などを予測して、被験者の眼の視力が時間的にどのように変化するか（例えば、どのくらい迅速に視力が低下するか）を予測するように構成されることができる。予測は、経時的な視力を特徴付けるために、（例えば）線形、対数、多項式および／または指数関数で使用される定数を含むことができる。
【0076】
ＩＶ．臨床試験の設計、予後および処置選択を行うためのモデル出力の使用
現在の視力メトリックを予測し、特定の将来の時点での視力メトリックを予測し、および／または視力がどのように変化するかを予測するモデル出力は、（例えば）臨床トライアルの設計、被験者の予後および処置の選択を知らせるために使用されることができる。
現在の視力メトリックを予測し、特定の将来の時点での視力メトリックを予測し、および／または視力がどのように変化するかを予測するモデル出力は、（例えば）臨床トライアルの設計、被験者の予後および処置の選択を知らせるために使用されることができる。
【0077】
ＩＶ．Ａ．臨床試験の設計
場合によっては、適格基準が観察されたまたは予測視力に関連するように臨床試験が定義されることができる。例えば、臨床試験は、２０／８０視力以上の視力を有する（および他の適格基準を満たす）被験者を登録するように定義されることができる。視力ベースの適格基準は、現在または過去の視力を特徴付ける、被験者の眼の少なくとも一部の画像に基づいて生成された視力メトリックに関すると定義されることができる。基準は、予測されたメトリックを必要とするか、または予測されたメトリックもしくは観測されたメトリックのいずれかを受け入れることを必要とすることがある。これに代えて、あるいはこれに加えて、後の時点における予測視力を特徴付ける予測視力メトリックに関するものとして、視力に基づく適格基準が定義されてもよい（例えば、現時点から１年の時点での予測視力が２０／４０視力より悪いことを必要とする）。
場合によっては、適格基準が観察されたまたは予測視力に関連するように臨床試験が定義されることができる。例えば、臨床試験は、２０／８０視力以上の視力を有する（および他の適格基準を満たす）被験者を登録するように定義されることができる。視力ベースの適格基準は、現在または過去の視力を特徴付ける、被験者の眼の少なくとも一部の画像に基づいて生成された視力メトリックに関すると定義されることができる。基準は、予測されたメトリックを必要とするか、または予測されたメトリックもしくは観測されたメトリックのいずれかを受け入れることを必要とすることがある。これに代えて、あるいはこれに加えて、後の時点における予測視力を特徴付ける予測視力メトリックに関するものとして、視力に基づく適格基準が定義されてもよい（例えば、現時点から１年の時点での予測視力が２０／４０視力より悪いことを必要とする）。
【0078】
多くの臨床試験（例えば、臨床トライアル）は、第１の群の被験者が治験処置を受け、第２の群の被験者が異なる処置、対照処置、無処置および／または標準的なケアを受けるように制御される。予測視力に対応するモデル結果が使用されて、第１の群の被験者の集団が第２の群の被験者の集団に類似するような被験者群の選択を容易にすることができる。現在、視覚機能がどれだけ急速に低下するかに関してＡＭＤ被験者全体でかなりの変動がある。したがって、一度に同一の視力を有する２人のＡＭＤ被験者は、２回目に著しく異なる視覚機能を有することができる。これは、一方の群が他方の群よりもはるかに速く進行するように、意図せずに被験者群を定義することをもたらし、結果を混乱させる可能性がある。
【0079】
したがって、臨床試験の層別化は、将来の時点における予測視力の範囲を指定する適格基準を含むように設計されることができる。例えば、臨床試験は、ＯＣＴ画像またはカラー眼底画像が第１の期間（トライアル開始前）内に収集されたこと、および第２の時点（例えば、第１の期間から１２ヶ月または１８ヶ月）での予測視力が所定の範囲内にあることを必要とすることがある。基準は、画像が収集された時間に対応する予測視力の制約（例えば、範囲）をさらに識別することができる。
【0080】
追加的または代替的に、予測視力が使用されて、臨床トライアルデータを処理し、所与の処置から恩恵を受ける可能性が特に高い（あるいは、特に可能性が低い）被験者の種類に関する適応症および／または仮説を開発することができる。例えば、トライアル中またはトライアルの完了後に、処置群の各被験者について、現在の視力（例えば、視力検査表またはカードを使用して判定される場合）、予測現在視力（例えば、眼の現在の画像を使用して判定される）、ＡＭＤの現在の診断（例えば、ＡＭＤが湿潤型または乾燥型ＡＭＤである）などの現在のメトリックが判定することができる。次いで、トライアル－前の時間（例えば、画像が撮影された期間に関連する）に対応する予測視力メトリックが現在のメトリックを予測しているか、または後続の時間に対応する別の予測視力メトリックが現在のメトリックを予測しているかどうかが判定されることができる。
【0081】
ＩＶ．Ｂ．予後
予測視力メトリックは、被験者について特定された予後の一部として、または予後を知らせるために使用されることができる。被験者は、その後の時点（例えば、１２ヶ月）での被験者の視力が、閾値よりも良好であるかまたはあまり実質的でない診断に対応する予測されたその後の視力を有する被験者と比較して、閾値よりも悪いかまたは実質的な低下に対応すると予測される場合、より悪い予後を有することができる。予後は、被験者の外観、処置選択などに影響を及ぼすことができる。
予測視力メトリックは、被験者について特定された予後の一部として、または予後を知らせるために使用されることができる。被験者は、その後の時点（例えば、１２ヶ月）での被験者の視力が、閾値よりも良好であるかまたはあまり実質的でない診断に対応する予測されたその後の視力を有する被験者と比較して、閾値よりも悪いかまたは実質的な低下に対応すると予測される場合、より悪い予後を有することができる。予後は、被験者の外観、処置選択などに影響を及ぼすことができる。
【0082】
ＩＶ．Ｃ．処置選択
異なる被験者が所与の処置に応答する程度に関して実質的な変動性がある。例えば、抗血管内皮成長因子（抗ＶＥＧＦ）は、新生血管ＡＭＤの標準的なケアである。しかしながら、被験者が応答する程度に関して、被験者にわたって高い変動性がある。
異なる被験者が所与の処置に応答する程度に関して実質的な変動性がある。例えば、抗血管内皮成長因子（抗ＶＥＧＦ）は、新生血管ＡＭＤの標準的なケアである。しかしながら、被験者が応答する程度に関して、被験者にわたって高い変動性がある。
【0083】
疾患活動性は、（例えば）視力が低下するかまたは改善しない場合、ＯＣＴによって観察される網膜中心厚が減少しない場合、新たな網膜内液が検出される場合、新たな網膜下液が検出される場合、および／または新たな網膜肥厚が検出される場合に存在することができる。したがって、予測される将来の視力は、所与の被験者が特定の処置に効果的に応答するかどうかを知らせることができる。例えば、モデルは、処置が投与される前の被験者の眼の画像を含み且つその後の時点での予測視力（または予測視力変化）を（ラベルとして）含む訓練データセットを使用して訓練されることができ、被験者は、（画像収集に関連する）第１の期間と（その後の視力に関連する）第２の時点との間で特定の処置を受ける。
【0084】
したがって、介護者は、特定の処置を使用しながら、視力がどの程度変化するかを予測することができる。複数のモデルが使用されて、異なる可能性のある処置を評価することさえもできる。次いで、介護者は、特定の処置が特定の被験者に有効であるかどうか、および／または複数の処置のうちのどれが特定の被験者に最も有効であるかを予測することができる。
【0085】
例えば、新生血管ＡＭＤに関して、１つの処置選択肢は、抗－ＶＥＧＦ注射である（ここで、ＶＥＧＦは、血管内皮成長因子と呼ばれるタンパク質を表し、これは眼の後ろに新たな血管の形成を促進することができ、血液および他の体液の漏出による黄斑変性を引き起こす可能性がある）。抗－ＶＥＧＦ注射は、血管の異常増殖を停止させるための眼の硝子体内への注射である。最も一般的な抗ＶＥＧＦ注射は、ラニビズマブ、ベバシズマブ、コンベルセプトおよびアフリベルセプトである。抗ＶＥＧＦ注射に対する人の反応は、注射を受けるべき頻度を決定するためにＯＣＴまたはカラー眼底写真の手動評価によって頻繁に監視される。
【0086】
注射間の間隔を延ばすことができると判断されるまで、抗ＶＥＧＦ注射を毎月受けてもよい。新生血管ＡＭＤによる視力喪失は、常にではないが、抗ＶＥＧＦ注射の使用によって頻繁に停止される。時折、被験者は、抗ＶＥＧＦ注射の結果としていくらかの視力喪失を回復する。
【0087】
別の処置選択肢（現在は第ＩＩＩ段階治験中）は、抗ＶＥＧＦ薬と組み合わせて使用されるポート送達システム（ＰＤＳ）である。ＰＤＳは、抗ＶＥＧＦ薬を数ヶ月にわたって眼に連続的に送達することができる永久的に再充填可能な眼インプラントである。ＰＤＳは、薬物補給のために被験者が眼科医を年に２回だけ訪問することを可能にすることができる。眼科医への必要な来院回数を減らすことは、処置の負担を減らすことができ、これはしばしば処置不足および不良な視力結果につながる。
【0088】
さらに別の治療選択肢はｆａｒｉｃｉｍａｂであり、これは第－ＩＩＩ段階治験中の抗体である。ファリシマブは、眼内投与される。一部の視力喪失は、処置に応答して回復されることができる。
【0089】
さらにまた、新生血管ＡＭＤの別の処置選択肢は、光線力学的療法（ＰＤＴ）である。ＰＤＴは、余分な血管を破壊するレーザー処置である。被験者が経験した視力喪失が突然ではなく徐々にである場合、医師は、抗ＶＥＧＦ注射の代わりにＰＤＴを選択することができる。場合によっては、ＰＤＴは、抗ＶＥＧＦ処置と組み合わせられて、新生血管ＡＭＤによって引き起こされる中心視力障害を遅らせることができる。
【0090】
したがって、モデル予測が使用されて、抗ＶＥＧＦ剤、眼内注射を介して送達される抗ＶＥＧＦ剤、特定のＶＥＧＦ剤（例えば、ラニビズマブまたはベバシズマブ）、特定の被験者および／または被験者の眼に対するＰＤＳまたはＰＤＴを推奨するか使用するかの決定を知らせることができる。
【0091】
ＩＶ．Ｄ．処置開始および／または変化の監視
場合によっては、機械学習モデル出力が使用されて、その時点でＡＭＤ処置または場合によってはＡＭＤ処置を受けていない被験者にＡＭＤ処置の使用を推奨、処方または投与することができる。例えば、被験者は、しばしば薬物で処置されない萎縮型ＡＭＤの診断を有することができる。しかしながら、機械学習モデル（例えば、萎縮型ＡＭＤと診断された被験者、新生血管ＡＭＤと診断された被験者、またはその双方に対応するデータを使用して訓練される）からの出力は、ベースライン日（入力画像が収集された）、同時訪問に対応する、または後続の時間（例えば、ベースライン日から３日、５日、１週間、２週間、１ヶ月、６ヶ月、１年、２年、５年）に対応する視力（例えば、最良矯正視力）が所定の閾値（例えば、２０／３０、２０／４０、２０／６０または２０／８０のスネレン分率に対応する）よりも悪いという予測に対応することができる。代替的または追加的に、機械学習モデル（例えば、萎縮型ＡＭＤと診断された被験者、新生血管ＡＭＤと診断された被験者、またはその双方に対応するデータを使用して訓練される）からの出力は、視力が少なくとも閾値の分数または絶対所定量（例えば、ベースライン時間におけるスネレン分率の９０％未満、７５％未満、６６％未満または５０％未満である後続時間におけるスネレン分率に対応する）だけ低下するという予測に対応することができる。
場合によっては、機械学習モデル出力が使用されて、その時点でＡＭＤ処置または場合によってはＡＭＤ処置を受けていない被験者にＡＭＤ処置の使用を推奨、処方または投与することができる。例えば、被験者は、しばしば薬物で処置されない萎縮型ＡＭＤの診断を有することができる。しかしながら、機械学習モデル（例えば、萎縮型ＡＭＤと診断された被験者、新生血管ＡＭＤと診断された被験者、またはその双方に対応するデータを使用して訓練される）からの出力は、ベースライン日（入力画像が収集された）、同時訪問に対応する、または後続の時間（例えば、ベースライン日から３日、５日、１週間、２週間、１ヶ月、６ヶ月、１年、２年、５年）に対応する視力（例えば、最良矯正視力）が所定の閾値（例えば、２０／３０、２０／４０、２０／６０または２０／８０のスネレン分率に対応する）よりも悪いという予測に対応することができる。代替的または追加的に、機械学習モデル（例えば、萎縮型ＡＭＤと診断された被験者、新生血管ＡＭＤと診断された被験者、またはその双方に対応するデータを使用して訓練される）からの出力は、視力が少なくとも閾値の分数または絶対所定量（例えば、ベースライン時間におけるスネレン分率の９０％未満、７５％未満、６６％未満または５０％未満である後続時間におけるスネレン分率に対応する）だけ低下するという予測に対応することができる。
【0092】
これらのタイプの予測のうちの１つ以上に応答して、コンピューティングシステム（例えば、予測を生成したもの、または別のコンピューティングシステムから予測を受信したもの）は、特定の動作の推奨を出力することができ、介護者（例えば、医師、看護師、医院、病院など）は、特定の動作の推奨を提供することができ、および／または特定の動作が実行されることができる。特定の動作は、（例えば）（例えば、萎縮型ＡＭＤから新生血管ＡＭＤに、または早期萎縮型ＡＭＤから後期萎縮型ＡＭＤに）被験者の診断を変更すること、（例えば、本明細書で特定される１つ以上の処置を含む）被験者のＡＭＤ処置を開始すること、被験者の処置スケジュールを変更すること（例えば、抗ＶＥＧＦ投与の頻度を増加させること）、および／または（例えば、本明細書で特定されるものに）被験者のＡＭＤ処置を変更することを含むことができる。例えば、特定の動作は、被験者の抗ＶＥＧＦ処置を開始することを含むことができる。場合によっては、特定の動作は、（例えば）被験者の眼の撮像または視力検査の次の日付がスケジュールまたは変更され（例えば、より早い日付まで）、被験者の眼の撮像の頻度が増加し、および／または被験者の視力を検査する頻度が増加するように、監視計画を変更することを含む。
【0093】
Ｖ．例示的なプロセス
図１は、機械学習モデルを使用して被験者の眼の視力を予測するためのプロセス１００を示している。プロセス１００は、ブロック１０５で始まり、ここで機械学習モデルは、訓練画像のセットおよびラベルのセットを使用してパラメータのセットを学習するように訓練される。訓練画像のセットのそれぞれは、訓練画像のセットが訓練被験者のセットのそれぞれの眼のそれぞれの少なくとも一部を描写するように、訓練被験者の眼の少なくとも一部を描写することができる。訓練画像のセットは、（例えば）１つ以上のカラー眼底写真、１つ以上のＯＣＴ画像、および／または１つ以上の他の画像を含むことができる。ラベルのセットのそれぞれは、（例えば）数値視力などの視力メトリック、視力範囲の識別、および／または訓練被験者の眼が特定の閾値未満の視力を有するかどうかに関する指示を含むことができる。視力メトリックは、訓練画像が収集された時点（例えば、画像が収集された同じ日に）または訓練画像が収集された後の時点（例えば、訓練画像が収集された日付の約６ヶ月後、約１２ヶ月後、約２年後、または約５年後）における訓練被験者の眼の視力を特徴付けることができる。
図１は、機械学習モデルを使用して被験者の眼の視力を予測するためのプロセス１００を示している。プロセス１００は、ブロック１０５で始まり、ここで機械学習モデルは、訓練画像のセットおよびラベルのセットを使用してパラメータのセットを学習するように訓練される。訓練画像のセットのそれぞれは、訓練画像のセットが訓練被験者のセットのそれぞれの眼のそれぞれの少なくとも一部を描写するように、訓練被験者の眼の少なくとも一部を描写することができる。訓練画像のセットは、（例えば）１つ以上のカラー眼底写真、１つ以上のＯＣＴ画像、および／または１つ以上の他の画像を含むことができる。ラベルのセットのそれぞれは、（例えば）数値視力などの視力メトリック、視力範囲の識別、および／または訓練被験者の眼が特定の閾値未満の視力を有するかどうかに関する指示を含むことができる。視力メトリックは、訓練画像が収集された時点（例えば、画像が収集された同じ日に）または訓練画像が収集された後の時点（例えば、訓練画像が収集された日付の約６ヶ月後、約１２ヶ月後、約２年後、または約５年後）における訓練被験者の眼の視力を特徴付けることができる。
【0094】
場合によっては、訓練被験者の各セットは、（例えば、訓練画像の収集前に）黄斑変性症、加齢黄斑変性症、新生血管黄斑変性症、緑内障、糖尿病性網膜症、白内障、または黄斑浮腫などの視覚疾患または視覚医学的症状と診断されていた。場合によっては、訓練被験者のセットの１人または複数のそれぞれまたは全てのそれぞれは、視覚疾患または視覚医学的症状と診断されていなかった。場合によっては、訓練被験者のセットは、視覚疾患または視覚症状を有する訓練被験者と、視覚疾患または視覚症状を有しない訓練被験者の双方を含む。
【0095】
機械学習モデルは、深層畳み込みニューラルネットワークなどの本明細書に開示されるモデルを含むことができる。機械学習モデルは、１つ以上の残差接続および／または１つ以上のフィードフォワード層を含むことができる。パラメータのセットは、重みのセットおよび／または１つ以上の畳み込みカーネルを含むことができる。
【0096】
機械学習モデルは、画像を前処理し、次いで前処理された画像を（例えば）ニューラルネットワークに送信することができる１つ以上の前処理関数をさらに含むことができる。機械学習モデルは、（例えば）ニューラルネットワークからの出力を別の結果に変換することができる１つ以上の後処理関数をさらに含むことができる。例えば、後処理関数は、結果を特定の視力スケールに変換することができ、または数値ニューラルネットワーク出力が存在する範囲を識別することができる。
【0097】
ブロック１１０において、特定の被験者の眼の少なくとも一部の画像がアクセスされる。特定の被験者は、訓練被験者のセット内の各被験者とは異なっていてもよく、および／または訓練被験者のセットのうちの１つであってもよい。ブロック１１０においてアクセスされた画像は、眼底写真、カラー眼底写真、ＯＣＴ画像、または別の画像を含むことができる。画像は、デジタル画像を含むことができる。眼の少なくとも一部は、（例えば）網膜、黄斑、視神経円板、レンズ、瞳孔および／または虹彩の少なくとも一部を含むことができる。例えば、画像は、網膜の少なくとも一部および黄斑の少なくとも一部を描写することができる。
【0098】
ブロック１１５において、特定の被験者の眼の少なくとも一部の画像が、訓練された機械学習モデルに入力される。訓練された機械学習モデルは、画像に基づいて、眼の予測視力に対応する視力メトリックを判定することができる。予測視力は、（例えば）数値視力、分類視力、視力範囲、および／または予測視力が閾値を超えるかどうかに関する指標を含むことができる。
【0099】
ブロック１２０において、視力メトリックが返される。例えば、視力メトリックは、ユーザインターフェースを介して提示（例えば、表示）されてもよい。別の例として、視力メトリックは、別の装置に（例えば、サーバからユーザ装置に）送信されてもよい。
【0100】
図２は、臨床試験のための視力予測を使用するプロセス２００を示している。
ブロック２０５において、被験者のセットのそれぞれの視力が予測される。視力は、被験者の眼の視力を含むことができる。予測される視力は、被験者の眼の少なくとも一部の画像に基づいて予測される視力メトリックを含むことができる。視力は、プロセス１００の一部の全てなど、本明細書の方法を使用して予測されることができる。予測視力は、画像の捕捉に対応する時間または後続の時間に対して予測された視力とすることができる。予測視力は、臨床試験に対応する特定の時間（例えば、処置開始後６ヶ月、監視開始後１２ヶ月など）について予測された視力とすることができる。
ブロック２０５において、被験者のセットのそれぞれの視力が予測される。視力は、被験者の眼の視力を含むことができる。予測される視力は、被験者の眼の少なくとも一部の画像に基づいて予測される視力メトリックを含むことができる。視力は、プロセス１００の一部の全てなど、本明細書の方法を使用して予測されることができる。予測視力は、画像の捕捉に対応する時間または後続の時間に対して予測された視力とすることができる。予測視力は、臨床試験に対応する特定の時間（例えば、処置開始後６ヶ月、監視開始後１２ヶ月など）について予測された視力とすることができる。
【0101】
ブロック２１０において、被験者のセットのそれぞれについて、被験者が特定の臨床試験に参加する適格があるかどうかを判定することができる。判定は、適格性のセットのそれぞれが被験者について満たされるかどうかに基づくことができる。所与の基準は、（例えば）複数の条件のいずれかが満たされる場合に満たされるような論理を含むことができる。
【0102】
基準のセットは、被験者が特定の年齢内にあること、特定の視覚疾患または症状（例えば、加齢黄斑変性、新生血管加齢黄斑変性）と診断されていること、１つ以上の特定の他の疾患を有していないことなどを示すことができる。場合によっては、被験者のセットは、臨床試験に登録された被験者を含む。
【0103】
基準のセットは、被験者の予測視力を使用する基準を含むことができる。例えば、基準は、被験者が所定の閾値を超える予測視力メトリックと関連付けられるべきであることを示すことができる。別の例として、基準は、被験者が、所定の閾値を上回る視力メトリック変化と関連付けられるべきであることを示してもよい。視－力－メトリックの変化は、ある時点に関連する視－力メトリックと、ベースライン時点に関連する視力メトリックとの間の絶対差または相対差を含むことができる。時点は、（例えば）現在時刻、処置開始後の所定の期間（例えば、処置開始後６ヶ月、処置開始後１２ヶ月）、臨床試験開始後の所定の期間、特定の日付などを含むことができる。ベースライン時点は、（例えば）被験者の眼の臨床試験または処置が開始される前の時間、被験者の眼の臨床試験または処置が開始された時間などに対応することができる。場合によっては、時点に関連する視力メトリックおよび時点に関連する視力メトリックおよびベースライン時点に関連する視力メトリックのそれぞれは、（例えば、機械学習モデルを使用して）被験者の眼の画像の少なくとも一部の処理に基づいて生成された視力メトリックを含む。例えば、ベースライン時点で収集された被験者眼の少なくとも一部の画像が使用されて、ベースライン時点での被験者眼の予測視力メトリック、および後続の時点での被験者眼の視力メトリックも生成することができる。別の例として、被験者の眼の少なくとも一部の画像は、ベースライン時点および後続の時点のそれぞれで収集されてもよく、画像は、関連する予測視－力メトリックを生成するために処理されることができる。場合によっては、時点と関連付けられた視力メトリックおよび時点と関連付けられた視力メトリックおよびベースライン時点と関連付けられた視力メトリックの一方は、視力検査（例えば、視力検査表またはアイカードを使用する）に基づいて生成され、時点と関連付けられた視力メトリックおよび時点と関連付けられた視力メトリックおよびベースライン時点と関連付けられた視力メトリックの他方は、被験者の眼の画像の少なくとも一部の処理によって生成される。
【0104】
ブロック２１５において、臨床試験は、被験者のセットのサブセットを用いて行われ、サブセット内の各被験者は、臨床試験に参加するのに適格であると判定された。サブセット内の各被験者について、視力に関する基準が満たされたと判定されることができる。臨床試験を実施することは、（例えば）被験者のサブセットを２つの群に層別化し、１つの群の被験者に治験処置を提供することを含むことができる。他方の群の被験者は、（例えば）異なる処置、処置なし、異なる投薬量の治験処置、異なるタイプの治験処置の投与または製剤、標準的なケアなどを受けることができる。
【0105】
ブロック２２０において、臨床試験の結果が生成される。例えば、結果は、治験処置が所与の医学的症状（例えば、視力検査によって示されるように、眼の画像化または他の検査）を減速、停止または逆転させるのに有効であった程度を示すことができる。有効性は、第１のサブセットと第２のサブセットとの間、所与の処置を受けている被験者と所与の処置を受けていない被験者との間などで視覚または他の医学的メトリックを比較することによって推定されることができる。場合によっては、結果は、ベースライン時に収集された被験者の眼の少なくとも一部の画像の処理に基づく被験者の視力と比較して、一定期間処置を受けた被験者の観察された視力の程度を示す。
【0106】
ＶＩ．実施例
ＶＩ．Ａ．視力メトリックを予測するためにＯＣＴ画像を処理するための機械学習モデル
本実施例では、第３段階ＨＡＲＢＯＲ臨床試験（本明細書では、「ＨＡＲＢＯＲ」と呼ばれるＮＣＴ ００８９１７３５）において、深層学習が新生血管ＡＭＤを有する被験者からのＯＣＴ画像から同時および将来のＢＣＶＡを自動的に予測することができるかどうかを評価した。具体的には、結果は以下に関連した：（１）ＯＣＴ画像から正確な最良矯正視力（ＢＣＶＡ）値を予測するために深層学習モデルの品質を評価するモデル、および（２）ＯＣＴ画像から＜６９文字（スネレン当量、２０／４０）、＜５９文字（スネレン当量、２０／６０）、または≦３８文字（スネレン当量、２０／２００）のＢＣＶＡを予測するモデル。ＢＣＶＡ結果については、深層学習モデルを、同じ（同時）訪問で撮影されたＯＣＴ画像からＢＣＶＡを予測する能力について、およびベースラインＯＣＴ画像から１２ヶ月目のＢＣＶＡを予測する能力について評価した。２０／４０および２０／６０のスネレン当量は、これらのレベルよりも悪い視力が、それぞれ米国および世界保健機関の定義に基づく視力障害を反映すると考えられるために選択された。２０／２００以下のスネレン当量が使用されて、米国における法的盲目の定義を反映した。
ＶＩ．Ａ．視力メトリックを予測するためにＯＣＴ画像を処理するための機械学習モデル
本実施例では、第３段階ＨＡＲＢＯＲ臨床試験（本明細書では、「ＨＡＲＢＯＲ」と呼ばれるＮＣＴ ００８９１７３５）において、深層学習が新生血管ＡＭＤを有する被験者からのＯＣＴ画像から同時および将来のＢＣＶＡを自動的に予測することができるかどうかを評価した。具体的には、結果は以下に関連した：（１）ＯＣＴ画像から正確な最良矯正視力（ＢＣＶＡ）値を予測するために深層学習モデルの品質を評価するモデル、および（２）ＯＣＴ画像から＜６９文字（スネレン当量、２０／４０）、＜５９文字（スネレン当量、２０／６０）、または≦３８文字（スネレン当量、２０／２００）のＢＣＶＡを予測するモデル。ＢＣＶＡ結果については、深層学習モデルを、同じ（同時）訪問で撮影されたＯＣＴ画像からＢＣＶＡを予測する能力について、およびベースラインＯＣＴ画像から１２ヶ月目のＢＣＶＡを予測する能力について評価した。２０／４０および２０／６０のスネレン当量は、これらのレベルよりも悪い視力が、それぞれ米国および世界保健機関の定義に基づく視力障害を反映すると考えられるために選択された。２０／２００以下のスネレン当量が使用されて、米国における法的盲目の定義を反映した。
【0107】
ＶＩ．Ａ．１．方法
ＶＩ．Ａ．１．ａ．データソース
第３段階ＨＡＲＢＯＲ臨床試験から得られた１０７１人の被験者の予測的に収集されたＢＣＶＡ測定およびＯＣＴ画像を使用した。ＨＡＲＢＯＲは、ヘルシンキ宣言の趣旨にしたがい、医療保険の携行性と説明責任に関する法律に準拠していた。プロトコルは、試験開始前に各施設内審査委員会によって承認され、全ての被験者は、トライアルの結果に基づいて将来の医学的試験および分析のための書面によるインフォームドコンセントを提供した。
ＶＩ．Ａ．１．ａ．データソース
第３段階ＨＡＲＢＯＲ臨床試験から得られた１０７１人の被験者の予測的に収集されたＢＣＶＡ測定およびＯＣＴ画像を使用した。ＨＡＲＢＯＲは、ヘルシンキ宣言の趣旨にしたがい、医療保険の携行性と説明責任に関する法律に準拠していた。プロトコルは、試験開始前に各施設内審査委員会によって承認され、全ての被験者は、トライアルの結果に基づいて将来の医学的試験および分析のための書面によるインフォームドコンセントを提供した。
【0108】
ＨＡＲＢＯＲ試験は、標準的なＥＴＤＲＳチャートおよびプロトコルを使用して、２０／４０から２０／３２０（スネレン当量）の新生血管ＡＭＤに続発する処置未経験の中心窩下脈絡膜新生血管（ＣＮＶ）を有する１０９７人の成人被験者を登録した。被験者（それぞれ１つの試験眼）が、以下の処置レジメンの１つにしたがって与えられるラニビズマブに対して１：１：１：１に無作為化された：毎月０．５ｍｇ、必要に応じて（ＰＲＮ）の０．５ｍｇ、毎月２．０ｍｇ、および２．０ｍｇのＰＲＮ。ＰＲＮ群の被験者は、３回の毎月の注射とそれに続く毎月の評価を受け、ＯＣＴ画像上に疾患活動性の徴候があった場合、または以前の来院からＢＣＶＡの５文字以上の減少があった場合にのみ再処置を受けた。ＢＣＶＡ測定およびＯＣＴ画像は、ベースライン時および２４ヶ月間の毎月間隔で取得された。
【0109】
ＯＣＴ画像。スペクトルドメインＣｉｒｒｕｓ ＨＤ－ＯＣＴ画像機器（米国カリフォルニア州ダブリンのＣａｒｌ Ｚｅｉｓｓ Ｍｅｄｉｔｅｃ）を使用して画像が収集された。分解能は、３０．０×３０．０×２．０μｍのサイズの２００×２００×１０２４ボクセルであり、６×６×２ｍｍのボリュームをカバーしていた。データセットは、１０７１人の被験者からの５０，２７５回のＯＣＴ画像スキャンから構成された。５０，２７５回のＯＣＴ画像スキャンのそれぞれについて、網膜がＺｅｉｓｓソフトウェアによって提供される網膜色素上皮層分割まで平坦化され、ボリュームが平坦化した網膜色素上皮の上３８４画素および下１２８画素にトリミングされた。トリミングされたボリュームの中心に対して０、３０、６０、９０、１２０、および１５０度の角度でｚ軸を中心に回転し、６つの角度のそれぞれに対して－８、－４、０、４、および８画素でオフセットすることによって、スキャンごとに５１２×２００画素の３０個のスライスが生成され、合計１，５０８，２５０個のスライスが得られた。ＯＣＴ画像データセットは、被験者レベルで、（１）評価に使用するために１４７人の被験者の無作為に選択した内部検証試験セット（表１）と、（２）交差検証によってモデル開発に使用するためにさらに５つに分割した９２４人の被験者のセット（表２）とに分割された。各群の被験者は、各結果変数について一定のままであった。
【表1】
【表2】
【0110】
ＶＩ．Ａ．１．ｂ．深層学習モデリングの結果変数
ＢＣＶＡ。関心対象のＢＣＶＡ結果は、（１）各試験来院時のＥＴＤＲＳ文字におけるＢＣＶＡ、および（２）特定のＢＣＶＡ値が＜６９文字（スネレン当量、２０／４０）、＜５９文字（スネレン当量、２０／６０）、または≦３８文字（スネレン当量、２０／２００）であったかどうかであった。２０／４０および２０／６０のスネレン当量は、それらが機能的に有意なレベルの視力障害を反映すると考えられるために選択され、２０／２００以下のスネレン当量が使用されて米国における法的失明の定義を反映した。
ＢＣＶＡ。関心対象のＢＣＶＡ結果は、（１）各試験来院時のＥＴＤＲＳ文字におけるＢＣＶＡ、および（２）特定のＢＣＶＡ値が＜６９文字（スネレン当量、２０／４０）、＜５９文字（スネレン当量、２０／６０）、または≦３８文字（スネレン当量、２０／２００）であったかどうかであった。２０／４０および２０／６０のスネレン当量は、それらが機能的に有意なレベルの視力障害を反映すると考えられるために選択され、２０／２００以下のスネレン当量が使用されて米国における法的失明の定義を反映した。
【0111】
内部検証試験セットにおける試験眼の平均（±標準偏差［ＳＤ］）ＢＣＶＡは、ベースラインで５３．９３（±１３．２０）文字、２４ヶ月目で６５．０２（±１７．１２）文字であった；他眼の平均（±ＳＤ）ＢＣＶＡは、ベースラインで６９．４６（±２２．９２）文字、２４ヶ月目で６８．５６（±２２．５６）文字であった（表１）。ベースライン、６ヶ月目、１２ヶ月目、１８ヶ月目、および２４ヶ月目の試験眼の視力範囲は、それぞれ５５、８３、８９、８２、および７８文字であった（表１）。ベースライン、６ヶ月目、１２ヶ月目、１８ヶ月目、および２４ヶ月目の他眼の視力範囲は、それぞれ９３、９８、１００、９６、および９８文字であった（表１）。
【0112】
ＶＩ．Ａ．１．ｃ．深層学習アルゴリズム
ＤＬモデルは、（１）同じ来院時に得られたＯＣＴ画像からのＥＴＤＲＳ文字における正確なＢＣＶＡ値；（２）ベースラインＯＣＴ画像から１２ヶ月目の正確なＢＣＶＡ；（３）同じ来院時に得られたＯＣＴ画像からＢＣＶＡが＜６９文字（スネレン当量、２０／４０）、＜５９文字（スネレン当量、２０／６０）、または≦３８文字（スネレン当量、２０／２００）；（４）ベースラインＯＣＴ画像から１２ヶ月目に＜６９、＜５９、または≦３８文字のＢＣＶＡを予測する能力について評価された。
ＤＬモデルは、（１）同じ来院時に得られたＯＣＴ画像からのＥＴＤＲＳ文字における正確なＢＣＶＡ値；（２）ベースラインＯＣＴ画像から１２ヶ月目の正確なＢＣＶＡ；（３）同じ来院時に得られたＯＣＴ画像からＢＣＶＡが＜６９文字（スネレン当量、２０／４０）、＜５９文字（スネレン当量、２０／６０）、または≦３８文字（スネレン当量、２０／２００）；（４）ベースラインＯＣＴ画像から１２ヶ月目に＜６９、＜５９、または≦３８文字のＢＣＶＡを予測する能力について評価された。
【0113】
同時来院におけるＢＣＶＡの予測。深層学習モデリングは、Ｎｖｉｄｉａ Ｖ１００ ＧＰＵ上のＫｅｒａｓ（２．２．５）およびＲｅｓＮｅｔ－５０ ｖ２ ＣＮＮアーキテクチャを有するＴｅｎｓｏｒＦｌｏｗ（１．１４．０）を使用して実行された。５１２×２００画素の個々のスライスが訓練セットから無作為にシャッフルされ、６４画像のバッチサイズを使用してＣＮＮに供給された。モデルは、ＯＣＴ画像スキャンと同じ来院でＢＣＶＡを予測するように訓練された（図３）。場合によっては、グローバル平均プーリングおよびドロップアウトの層（０．８５）が、線形活性化関数を用いて最終的な緻密層上でＬ２正則化（０．０５）を用いてＣＮＮに追加された。このモデルは、本実施例では「同時来院回帰モデル」と呼ばれる。損失関数は、平均二乗誤差であり、オプティマイザはＲＡｄａｍであった。モデルは、各交差検証折り畳みについてただ１つのエポックについて訓練された。
【0114】
場合によっては、最終層が疎カテゴリ交差エントロピー損失関数を有するソフトマックス活性化関数を使用したことを除いて、同時来院回帰モデルアーキテクチャが使用された。モデルは、各折り畳みの回帰モデルからの重みで初期化された。モデルは、Ａｄａｍオプティマイザを使用して訓練不可能なベースモデル層を有する２つのエポック、次いで確率的勾配降下（ＳＧＤ）オプティマイザを使用して訓練可能なベースモデル層を有する追加の１つのエポックについて訓練された。
【0115】
ベースラインから１２ヶ月でのＢＣＶＡの予測。ベースラインＯＣＴ画像から１２ヶ月目のＢＣＶＡを予測する回帰タスクのために、Ｎｖｉｄｉａ Ｖ１００ ＧＰＵ上のＫｅｒａｓ（２．２．５）およびＲｅｓＮｅｔ－５０ ｖ２ ＣＮＮアーキテクチャを有するＴｅｎｓｏｒＦｌｏｗ（１．１４．０）を使用して深層学習モデリングが実行された。５１２×２００画素の個々のスライスが訓練セットから無作為にシャッフルされ、６４画像のバッチサイズを使用してＣＮＮに供給された。モデルは、ＯＣＴ画像スキャンと同じ来院でＢＣＶＡを予測するように訓練された（図３）。場合によっては、グローバル平均プーリングおよびドロップアウトの層（０．９９５）が、線形活性化関数を用いて最終的な緻密層上でＬ２正則化（０．０５）を用いてＣＮＮに追加された。各折り畳みについて、モデルは、同時来院時にＢＣＶＡを予測するように訓練された回帰モデルからの重みで初期化された。最初の３つのエポックは、訓練不可能なベースモデル層を有するＳＧＤオプティマイザを使用して訓練され、次いで、ＳＧＤオプティマイザを使用して訓練可能なベースモデル層を有する追加の１０００エポックについて訓練された。このモデルは、本実施例では「１２ヶ月回帰モデル」と呼ばれる。
【0116】
分類のために、最終層が疎カテゴリ交差エントロピー損失関数を有するソフトマックス活性化関数を使用したことを除いて、１２ヶ月回帰モデルアーキテクチャが使用された。各折り畳みについて、モデルは、ベースラインから１２ヶ月でＢＣＶＡを予測するように訓練された回帰モデルからの重みで初期化された。モデルは、ＲＡｄａｍオプティマイザを使用して訓練不可能なベースモデル層で２０エポックについて訓練された。予測に使用した重みは、各折り畳みにおいて最も低い検証損失を有するエポックから選択された。
【0117】
深層学習モデルの評価。特定の訪問時にモデル適合を評価するメトリックは、サンプル外の内部検証試験セットの５つの開発モデルのそれぞれからの３０個のスライスについて生成された眼あたりの予測の平均によって眼のレベルで計算された。換言すれば、訓練セットからのデータの８０％を見た５つの交差検証モデルのそれぞれが使用されて、テストセット内の眼あたり３０個のスライスのそれぞれについて予測を生成し、眼あたり１５０個の予測が得られ、そのうちの１５０個の予測の平均が取られる。さらにまた、同じ眼の反復測定の潜在的なバイアスを考慮しながら、全ての来院にわたる同時来院でのモデル性能を評価するために、回帰タスクについて全ての来院の平均が判定され、分類タスクの各被験者について来院が無作為に選択された。Ｂｌａｎｄ－ＡｌｔｍａｎプロットからのＲ２値、二乗平均平方根誤差（ＲＭＳＥ）、および平均差（ＭＤ）、ならびに９５％一致限界（ＬＯＡ）が使用されて、深層学習回帰モデルを評価したのに対して、受信機動作特性曲線（ＡＵＣ）下領域および精度再現曲線（ＡＵＰＲＣ）下領域が使用されて、分類のための深層学習モデルの性能を評価した。ベースラインＯＣＴ画像からの１２ヶ月目のＢＣＶＡの深層学習予測が、ベースラインＢＣＶＡのみを使用する場合と比較して追加の情報に寄与するかどうかを理解するために、Ｒ統計プログラミング言語が使用されて線形モデルが適合されて、（ｉ）ベースラインＯＣＴ画像からの１２ヶ月目のＢＣＶＡの深層学習予測の単変数入力、（ｉｉ）ベースラインＢＣＶＡの単変数入力、および（ｉｉｉ）ベースラインＯＣＴ画像からの１２ヶ月目のＢＣＶＡの深層学習予測とベースラインＢＣＶＡの双方の多変数入力から１２ヶ月目のＢＣＶＡを予測した。さらに、５折り畳み交差検証調整セットからの結果は、来院あたり目あたり３０の調整予測の平均を使用して報告される（表３－６）。
【0118】
ＶＩ．Ａ．２．結果
ＶＩ．Ａ．２．ａ．同時来院における最良矯正視力（ＢＣＶＡ）の予測
回帰結果。試験眼では、同時来院でＢＣＶＡを予測するための深層学習モデルは、ベースラインで、Ｒ２＝０．２４、ＲＭＳＥ＝１１．５５、ＭＤ＝－１．８１文字、９５％ＬＯＡが－２６．５７から２２．９５文字を有し、全ての来院にわたる平均について、Ｒ２＝０．６７、ＲＭＳＥ＝８．６０、ＭＤ＝０．０４文字、９５％ＬＯＡが－１６．９６から１７．０４文字を有した（表３；図４Ａ）。他眼では、ベースラインで、Ｒ２＝０．８０、ＲＭＳＥ＝１０．３５、ＭＤ＝－１．８６文字、９５％ＬＯＡが、－２３．０３から１９．３１文字であり、全ての来院にわたる平均について、Ｒ２＝０．８４、ＲＭＳＥ＝９．０１、ＭＤ＝０．５１文字、９５％ＬＯＡが－１７．５８から１８．６１文字であった（表３；図４Ｂ）。全眼では、ベースラインで、Ｒ２＝０．６６、ＲＭＳＥ＝１１．７５、ＭＤ＝－１．８４文字、９５％ＬＯＡが－２４．８３から２１．１６文字であり、全ての来院にわたる平均について、Ｒ２＝０．７９、ＲＭＳＥ＝８．７８、ＭＤ＝０．２８文字、９５％ＬＯＡが－１７．２６から１７．８１文字であった（表３；図４Ｃ）。
ＶＩ．Ａ．２．ａ．同時来院における最良矯正視力（ＢＣＶＡ）の予測
回帰結果。試験眼では、同時来院でＢＣＶＡを予測するための深層学習モデルは、ベースラインで、Ｒ２＝０．２４、ＲＭＳＥ＝１１．５５、ＭＤ＝－１．８１文字、９５％ＬＯＡが－２６．５７から２２．９５文字を有し、全ての来院にわたる平均について、Ｒ２＝０．６７、ＲＭＳＥ＝８．６０、ＭＤ＝０．０４文字、９５％ＬＯＡが－１６．９６から１７．０４文字を有した（表３；図４Ａ）。他眼では、ベースラインで、Ｒ２＝０．８０、ＲＭＳＥ＝１０．３５、ＭＤ＝－１．８６文字、９５％ＬＯＡが、－２３．０３から１９．３１文字であり、全ての来院にわたる平均について、Ｒ２＝０．８４、ＲＭＳＥ＝９．０１、ＭＤ＝０．５１文字、９５％ＬＯＡが－１７．５８から１８．６１文字であった（表３；図４Ｂ）。全眼では、ベースラインで、Ｒ２＝０．６６、ＲＭＳＥ＝１１．７５、ＭＤ＝－１．８４文字、９５％ＬＯＡが－２４．８３から２１．１６文字であり、全ての来院にわたる平均について、Ｒ２＝０．７９、ＲＭＳＥ＝８．７８、ＭＤ＝０．２８文字、９５％ＬＯＡが－１７．２６から１７．８１文字であった（表３；図４Ｃ）。
【表3】
【表4】
【表5】
【表6】
【0119】
＜６９文字（スネレン当量、２０／４０）のＢＣＶＡを予測する分類モデル。試験眼では、＜６９文字（スネレン当量、２０／４０）のＢＣＶＡを予測するための深層学習モデルは、各眼につき無作為に行われた１回の同時来院についてＡＵＣ＝０．８９を有し、ＡＵＰＲＣ＝０．８８であり、クラスバランスは、７２の陽性眼および７５の陰性眼であった。（表４；図５Ａ）。他眼では、＜６９文字（スネレン当量、２０／４０）のＢＣＶＡを予測するための深層学習モデルは、各眼につき無作為に行われた１回の同時来院についてＡＵＣ＝０．９３を有し、ＡＵＰＲＣ＝０．９７であり、クラスバランスは、１０３の陽性眼および４４の陰性眼であった。（表４；図５Ｂ）。全眼では、＜６９文字（スネレン当量、２０／４０）のＢＣＶＡを予測するための深層学習モデルは、各眼につき無作為に行われた１回の同時来院についてＡＵＣ＝０．９２を有し、ＡＵＰＲＣ＝０．９４であり、クラスバランスは、１７５の陽性眼および１１９の陰性眼であった。（表４；図５Ｃ）。
【0120】
＜５９文字（スネレン当量、２０／６０）のＢＣＶＡを予測する分類モデル。試験眼では、＜５９文字のＢＣＶＡを予測するための深層学習モデルは、各眼につき無作為に行われた１回の同時来院についてＡＵＣ＝０．９２を有し、ＡＵＰＲＣ＝０．９５であり、クラスバランスは、１００の陽性眼および４７の陰性眼であった。（表４）。他眼では、＜５９文字のＢＣＶＡを予測するための深層学習モデルは、各眼につき無作為に行われた１回の同時来院についてＡＵＣ＝０．９７を有し、ＡＵＰＲＣ＝０．９９であり、クラスバランスは、１１４の陽性眼および３３の陰性眼であった。（表４）。全眼では、＜５９文字のＢＣＶＡを予測するための深層学習モデルは、各眼につき無作為に行われた１回の同時来院についてＡＵＣ＝０．９５を有し、ＡＵＰＲＣ＝０．９８であり、クラスバランスは、２１４の陽性眼および８０の陰性眼であった。（表４）。
【0121】
≦３８文字（スネレン当量、２０／２００）のＢＣＶＡを予測する分類モデル。試験眼では、≦３８文字のＢＣＶＡを予測するための深層学習モデルは、各眼につき無作為に行われた１回の同時来院についてＡＵＣ＝０．９２を有し、ＡＵＰＲＣ＝０．９９であり、クラスバランスは、１１３の陽性眼および１４の陰性眼であった。（表４）。他眼では、≦３８文字のＢＣＶＡを予測するための深層学習モデルは、各眼につき無作為に行われた１回の同時来院についてＡＵＣ＝０．９８を有し、ＡＵＰＲＣ＝１．００であり、クラスバランスは、１２９の陽性眼および１８の陰性眼であった。（表４）。全眼では、≦３８文字のＢＣＶＡを予測するための深層学習モデルは、各眼につき無作為に行われた１回の同時来院についてＡＵＣ＝０．９６を有し、ＡＵＰＲＣ＝０．９９であり、クラスバランスは、２６２の陽性眼および３２の陰性眼であった。（表４）。
【0122】
ＶＩ．Ａ．２．ｂ．ベースラインＯＣＴ画像から１２ヶ月でのＢＣＶＡの予測
回帰結果。ベースラインＯＣＴ画像から１２ヶ月目のＢＣＶＡを予測するモデルの能力を評価するために使用したデータセットの特性が表１に示される。ベースラインＯＣＴ画像から１２ヶ月でＢＣＶＡを予測するための深層学習モデルは、試験眼、他眼、および全眼について、それぞれ、Ｒ２＝０．３３、０．７５、および０．５８であり、ならびにＲＭＳＥ＝１４．１６、１１．２７、および１３．２５であった（表７；図６Ａ、図６Ｂ、図６Ｃ）。ベースラインＯＣＴ画像から１２ヶ月でＢＣＶＡを予測するための深層学習モデルは、試験眼に対してＭＤ＝－１．６３文字、９５％ＬＯＡが－２９．４８から２６．２２文字であり、他眼に対してＭＤ＝－２．３１文字、９５％ＬＯＡが－２９．９６から２５．３３文字であり、および全眼に対してＭＤ＝－１．９７文字、９５％ＬＯＡが－２９．６７から２５．７３文字を有した（図４Ａ、図４Ｂ、図４Ｃ）。ベースラインＯＣＴ画像およびベースラインＢＣＶＡからの１２ヶ月目のＢＣＶＡの双方の深層学習予測から１２ヶ月でＢＣＶＡを予測するための多変数線形モデルは、試験眼、他眼および全眼について、それぞれ、Ｒ２＝０．４０、０．８８および０．６８を有した（表７）。
回帰結果。ベースラインＯＣＴ画像から１２ヶ月目のＢＣＶＡを予測するモデルの能力を評価するために使用したデータセットの特性が表１に示される。ベースラインＯＣＴ画像から１２ヶ月でＢＣＶＡを予測するための深層学習モデルは、試験眼、他眼、および全眼について、それぞれ、Ｒ２＝０．３３、０．７５、および０．５８であり、ならびにＲＭＳＥ＝１４．１６、１１．２７、および１３．２５であった（表７；図６Ａ、図６Ｂ、図６Ｃ）。ベースラインＯＣＴ画像から１２ヶ月でＢＣＶＡを予測するための深層学習モデルは、試験眼に対してＭＤ＝－１．６３文字、９５％ＬＯＡが－２９．４８から２６．２２文字であり、他眼に対してＭＤ＝－２．３１文字、９５％ＬＯＡが－２９．９６から２５．３３文字であり、および全眼に対してＭＤ＝－１．９７文字、９５％ＬＯＡが－２９．６７から２５．７３文字を有した（図４Ａ、図４Ｂ、図４Ｃ）。ベースラインＯＣＴ画像およびベースラインＢＣＶＡからの１２ヶ月目のＢＣＶＡの双方の深層学習予測から１２ヶ月でＢＣＶＡを予測するための多変数線形モデルは、試験眼、他眼および全眼について、それぞれ、Ｒ２＝０．４０、０．８８および０．６８を有した（表７）。
【0123】
＜６９文字（スネレン当量、２０／４０）のＢＣＶＡを予測する分類モデル。ベースラインＯＣＴ画像から＜６９文字の１２ヶ月目のＢＣＶＡを予測するための深層学習モデルは、それぞれ試験眼、他眼、および全眼について、ＡＵＣ＝０．８０、０．９２、および０．８７を有した（表８；図７Ａ、図７Ｂ、図７Ｃ）。試験眼では、ベースラインＯＣＴ画像から＜６９文字の１２ヶ月目のＢＣＶＡを予測する深層学習モデルは、ＡＵＰＲＣ＝０．７４を有し、クラスバランスは、５８の陽性眼および６８の陰性眼であった。他眼では、ベースラインＯＣＴ画像から＜６９文字の１２ヶ月目のＢＣＶＡを予測する深層学習モデルは、ＡＵＰＲＣ＝０．９７を有し、クラスバランスは、８８の陽性眼および３７の陰性眼であった。全眼では、ベースラインＯＣＴ画像から＜６９文字の１２ヶ月目のＢＣＶＡを予測する深層学習モデルは、ＡＵＰＲＣ＝０．９１を有し、クラスバランスは、１４６の陽性眼および１０５の陰性眼であった。
【0124】
＜５９文字（スネレン当量、２０／６０）のＢＣＶＡを予測する分類モデル。ベースラインＯＣＴ画像から＜５９文字の１２ヶ月目のＢＣＶＡを予測する深層学習モデルは、試験眼、他眼、および全眼について、それぞれ、ＡＵＣ＝０．８４、０．９３、および０．８９を有した（表８）。試験眼では、ベースラインＯＣＴ画像から＜５９文字の１２ヶ月目のＢＣＶＡを予測する深層学習モデルは、ＡＵＰＲＣ＝０．９０を有し、クラスバランスは、８３の陽性眼および４３の陰性眼であった。他眼では、ベースラインＯＣＴ画像から＜５９文字の１２ヶ月目のＢＣＶＡを予測する深層学習モデルは、ＡＵＰＲＣ＝０．９８を有し、クラスバランスは、１０１の陽性眼および２４の陰性眼であった。全眼では、ベースラインＯＣＴ画像から＜５９文字の１２ヶ月目のＢＣＶＡを予測する深層学習モデルは、ＡＵＰＲＣ＝０．９５を有し、クラスバランスは、１８４の陽性眼および６７の陰性眼であった。
【表7】
【表8】
【0125】
≦３８文字（スネレン当量、２０／２００）のＢＣＶＡを予測する分類モデル。ベースラインＯＣＴ画像から≦３８文字の１２ヶ月目のＢＣＶＡを予測する深層学習モデルは、試験眼、他眼、および全眼について、それぞれ、０．７７、０．９６、および０．８９のＡＵＣを有した（表８）。試験眼では、ベースラインＯＣＴ画像から≦３８文字の１２ヶ月目のＢＣＶＡを予測する深層学習モデルは、ＡＵＰＲＣ＝０．９７を有し、クラスバランスは、１１４の陽性眼および１２の陰性眼であった。他眼では、ベースラインＯＣＴ画像から≦３８文字の１２ヶ月目のＢＣＶＡを予測する深層学習モデルは、ＡＵＰＲＣ＝０．９９を有し、クラスバランスは、１０９の陽性眼および１６の陰性眼であった。全眼では、ベースラインＯＣＴ画像から≦３８文字の１２ヶ月目のＢＣＶＡを予測する深層学習モデルは、ＡＵＰＲＣ＝０．９８を有し、クラスバランスは、２２３の陽性眼および２８の陰性眼であった。
【0126】
ＶＩ．Ａ．３．考察
上記の結果によって示されるように、深層学習モデルは、新生血管ＡＭＤを有する被験者におけるＯＣＴ画像からＢＣＶＡを予測することができる。導出されたモデルの予測精度は、他眼で最大であり、平均予測値と平均観察ＢＣＶＡ～０．９２との間の相関に到達した（Ｒ２＝０．８４、ＲＭＳＥ＝９．０１；表３）。試験眼のＢＣＶＡ結果について中程度から強い相関も見られ、ベースライン（処置前）で約０．４９（Ｒ２＝０．２４、ＲＭＳＥ＝１１．５５；表３）および２４ヶ月目（処置後）で約０．７９（Ｒ２＝０．６２、ＲＭＳＥ＝１０．５４；表３）の相関があった。
上記の結果によって示されるように、深層学習モデルは、新生血管ＡＭＤを有する被験者におけるＯＣＴ画像からＢＣＶＡを予測することができる。導出されたモデルの予測精度は、他眼で最大であり、平均予測値と平均観察ＢＣＶＡ～０．９２との間の相関に到達した（Ｒ２＝０．８４、ＲＭＳＥ＝９．０１；表３）。試験眼のＢＣＶＡ結果について中程度から強い相関も見られ、ベースライン（処置前）で約０．４９（Ｒ２＝０．２４、ＲＭＳＥ＝１１．５５；表３）および２４ヶ月目（処置後）で約０．７９（Ｒ２＝０．６２、ＲＭＳＥ＝１０．５４；表３）の相関があった。
【0127】
提示されたモデル結果（アプリＲＭＳＥ １０文字誤差）をベンチマークするために、ＨＡＲＢＯＲ試験におけるベースラインＢＣＶＡに対するＢＣＶＡのスクリーニングに基づいて、単純線形回帰を使用して予測を生成した。スクリーニングとベースライン来院との間の平均日数は８．３ｄであり、平均変化は０．６文字であった。このＢＣＶＡ対ＢＣＶＡ予測では、（回帰からの）ＲＭＳＥは、６．１文字である。６．１文字のこの平均誤差は、ＨＡＲＢＯＲ試験におけるＢＣＶＡ観察に固有の情報限界を表す可能性が高い。新生血管ＡＭＤにおける視力スコアのインタセッション再現性に関する以前の研究は、約１２文字の誤差を報告している。注目すべきことに、ＨＡＲＢＯＲトライアルにおけるａＶＥＧＦ処置に対する平均ＢＣＶＡ改善は７．６～９．１文字として報告された。ＯＣＴ画像対ＢＣＶＡからの予測を行う本実施例で使用される深層学習予測モデルの品質は、上記の（情報）限界と比較されるべきである。
【0128】
結果は、新生血管ＡＭＤにおける網膜構造と視覚機能との間のマッピング（深層学習モデルによって定義される）の存在を示唆している。その結果、ＯＣＴ画像は、臨床試験ならびに遠隔医療または在宅モニタリングなどの発展中の臨床診療環境において視覚機能を間接的に測定する手段を提供することができる。
【0129】
試験眼の視覚機能を予測することと他眼の視覚機能を予測することとの間のモデル性能の差は、試験眼におけるベースライン時のＢＣＶＡの制限された範囲について予想された。具体的には、ＨＡＲＢＯＲの適格基準は、試験眼がベースラインでいくらかの視力喪失および中心窩下ＣＮＶを有し、ＢＣＶＡが２０／４０～２０／３２０（スネレン当量）であることを必要とした。これらの基準は、他眼には必要とされなかった。したがって、ベースライン（ＳＤ＝１３．２；表１）での試験眼におけるＢＣＶＡの制限された範囲は、ベースライン（ベースラインＳＤ＝２２．９；表１）でのＢＣＶＡの変動性がより大きかった他眼におけるＢＣＶＡを予測するタスクと比較して、ダイナミックレンジを減少させ、より困難な回帰タスクをもたらした。この観察は、ＯＣＴ画像からのＢＣＶＡの同時予測の予測精度が、ＢＣＶＡの変動性の増加とともに、トライアルの経過にわたって試験眼において増加するという事実によって支持される（表１～３、表９）。処置後の範囲のこの増加は、多くの被験者において視覚的改善をもたらす有効な処置と一致している。シミュレーションにより、ＢＣＶＡの分散が、ベースラインでの試験眼の分散に対して他眼において（人工的に）制限された場合、すなわちＳＤ＝１３．２に制限された場合、Ｒ２は、０．８０から０．３３に減少した（図８）。同様に、ベースライン、６、１２、１８、および２４ヶ月目における試験眼および他眼についてｌｏｇ（ｖａｒ（ＢＣＶＡ））をｌｏｇ（１－Ｒ２）に対してプロットした場合、得られた（最良適合）パターンは線形であり（－１．２２の傾きを有する）、回帰および相関モデルについてのＲ２付近の理論と一致する（図９）。さらに、推定残留誤差（ＲＭＳＥ）から分かるように、モデルは、各時点で同様の性能を有するように見える（表３および表９）。
【表9】
【0130】
特定のおよび測定可能な解剖学的変化と視覚との間の正確な関係を判定することは困難である。この関係を調査するための従来の手法は、１つ以上の解剖学的特徴を選択し、次いで分析を実行して、視覚との関連を定量化することができるかどうかを判定することである。したがって、この手法は、視覚機能との有意な関係の可能性が最も高い潜在的に大きな網膜構造および特徴のセットを事前に決定する研究者の能力によって制限される。対照的に、深層学習ベースのアルゴリズム（特にＣＮＮ）は、定量的調査の前に解剖学的特徴を識別する必要はない。代わりに、深層学習アルゴリズムは、ＯＣＴ画像を全体として評価し、画像から直接学習して、関心のある結果の最も正確な予測を可能にする特徴を識別する。１２ヶ月目のＢＣＶＡを予測するためにベースラインＢＣＶＡとともに既知のイメージング特徴を使用する場合にＲ２＝０．３４を報告するＨＡＲＢＯＲトライアルからの６１４名の被験者のサブセットで以前に報告された交差検証結果と比較して、この実施例で試験された回帰深層学習モデルは、調整セットの９２４名の被験者でＲ２＝０．４５、内部検証試験セットの１２６名の被験者でＲ２＝０．４０を達成する。原則として、これは、視覚機能にとって重要な、以前は認識されていなかった解剖学的特徴、または特徴の組み合わせの識別につながる可能性がある。
【0131】
別個の深層学習モデルは、ベースラインＯＣＴ画像測定の時点から１２カ月の試験眼においてＢＣＶＡ値を予測することができ、約０．５７の中程度の相関があった（Ｒ２＝０．３３；表７）。既にベースラインＢＣＶＡを含む回帰モデルに追加した場合（Ｐ＜０．００１）、（ベースラインからの）ＯＣＴ画像ベースの予測は高度に統計学的に有意なままであった（Ｐ＜０．００１）ことに留意することは興味深い。この多変数モデルでは、双方の予測子は、モデルＲ２＝０．４０（表７）で、将来の視覚関数のほぼ等しい情報を提供する。ベースラインで層別化因子として使用される場合、この予測モデルは、同じ統計力でより小さい／より短いトライアルに変換されることができる。最初に、別個のモデルが試験眼および他眼に使用されたが、驚くべきことに、結果は、一緒にプールされた試験眼および他眼で訓練されたモデルからの予測性能に関して有意に異ならなかった。
【0132】
ＢＣＶＡを予測するための深層学習モデルの使用は、意味のある臨床的有用性を有することができる。ＢＣＶＡの測定は、しばしば面倒であり、正確な屈折検査のために特殊なリソースを必要とする。実際、診療所環境外の網膜の健康の評価では、ＯＣＴ画像のコンピュータ視覚ベースの分析で視覚機能測定を増強する能力は、被験者のスクリーニングおよび監視に有益であることが証明される可能性が高い。例えば、遠隔医療を介した遠隔診察を支援することができ、医師は、患者の現在および将来の視覚的可能性に関する深層学習データを使用して、臨床的決定を支援することができる。さらにまた、臨床試験では、将来のＢＣＶＡ応答を予測するのに役立つ深層学習モデルを使用して、処置から利益を得る可能性が高い個体に焦点を合わせることによってトライアル登録またはトライアル層別化を支援することができる。
【0133】
ＶＩ．Ｂ．カラー眼底画像を処理して視力メトリックを予測するための機械学習モデル
本実施例では、深層学習が、新生血管ＡＭＤを有する被験者のカラー眼底写真（ＣＦＰ）画像からＢＣＶＡを自動的に予測できるかどうかを評価した。具体的には、第１の深層学習回帰モデル（深層畳み込みニューラルネットワークおよび線形活性化関数を含む）を使用して、２メートル（ｍ）および４ｍのチャート距離のＣＦＰ画像から正確なＢＣＶＡを予測した。さらに、第２の深層学習分類モデル（深層畳み込みニューラルネットワークおよびソフトマックス活性化関数を含む）が使用された。
本実施例では、深層学習が、新生血管ＡＭＤを有する被験者のカラー眼底写真（ＣＦＰ）画像からＢＣＶＡを自動的に予測できるかどうかを評価した。具体的には、第１の深層学習回帰モデル（深層畳み込みニューラルネットワークおよび線形活性化関数を含む）を使用して、２メートル（ｍ）および４ｍのチャート距離のＣＦＰ画像から正確なＢＣＶＡを予測した。さらに、第２の深層学習分類モデル（深層畳み込みニューラルネットワークおよびソフトマックス活性化関数を含む）が使用された。
【0134】
ＶＩ．Ｂ．１．方法およびデータ
ＶＩ．Ｂ．１．ａ．データソース
第３段階ＭＡＲＩＮＡ臨床試験（ＮＣＴ ０００５６８３６）からの７０７名の被験者および第３段階ＡＮＣＨＯＲ臨床試験（ＮＣＴ ０００６１５９４）からの４１３名の被験者について撮影した、予測的に収集したＢＣＶＡ測定値およびＣＦＰ画像が使用された。ＭＡＲＩＮＡおよびＡＮＣＨＯＲは、ヘルシンキ宣言の趣旨に沿い、医療保険の携行性と説明責任に関する法律に準拠していた。プロトコルは、試験開始前に各施設内審査委員会によって承認され、全ての被験者は、トライアルの結果に基づいて将来の医学的試験および分析のための書面によるインフォームドコンセントを提供した。
ＶＩ．Ｂ．１．ａ．データソース
第３段階ＭＡＲＩＮＡ臨床試験（ＮＣＴ ０００５６８３６）からの７０７名の被験者および第３段階ＡＮＣＨＯＲ臨床試験（ＮＣＴ ０００６１５９４）からの４１３名の被験者について撮影した、予測的に収集したＢＣＶＡ測定値およびＣＦＰ画像が使用された。ＭＡＲＩＮＡおよびＡＮＣＨＯＲは、ヘルシンキ宣言の趣旨に沿い、医療保険の携行性と説明責任に関する法律に準拠していた。プロトコルは、試験開始前に各施設内審査委員会によって承認され、全ての被験者は、トライアルの結果に基づいて将来の医学的試験および分析のための書面によるインフォームドコンセントを提供した。
【0135】
ＭＡＲＩＮＡでは、標準的なＥＴＤＲＳチャートおよびプロトコルを用いて、試験眼において２０／４０から２０／３２０（スネレン当量）のＢＣＶＡを有していた場合、新生血管ＡＭＤに続発する中心窩下脈絡膜新生血管（ＣＮＶ）を有する７２０人の成人被験者を登録した。ＡＮＣＨＯＲでは、試験眼において２０／４０から２０／３２０（スネレン当量）のＢＣＶＡを有していた場合、新生血管ＡＭＤに続発する中心窩下脈絡膜新生血管（ＣＮＶ）を有する４２６人の成人被験者を登録した。
【0136】
ＶＩ．Ｂ．１．ｂ．ＣＦＰ画像
ＭＡＲＩＮＡからの合計３６５４１枚の画像およびＡＮＣＨＯＲからの３３５９１枚の画像が分析された。左右双方の立体視からのＦ１Ｍ、Ｆ２、およびＦ３Ｍの内部捕捉視野が分析に含められたが、眼の外部視野（ＦＲ捕捉視野）は除外された。（特に、Ｆ４、Ｆ５、Ｆ６、および／またはＦ７フィールドは、代替的に、視力メトリックを予測するために使用されてもよい）。無関係な情報を除去するために、カメラレンズによって生成された円に合うように画像がトリミングされた。次いで、画像が２９９×２９９×３画素にサイズ変更された。ＭＡＲＩＮＡからのＣＦＰ画像が被験者レベルで５つの折り畳みに分割され、交差検証によるモデル開発に使用された。各折り畳みの被験者は、回帰タスクおよび分類タスクの双方について一定のままであった。
ＭＡＲＩＮＡからの合計３６５４１枚の画像およびＡＮＣＨＯＲからの３３５９１枚の画像が分析された。左右双方の立体視からのＦ１Ｍ、Ｆ２、およびＦ３Ｍの内部捕捉視野が分析に含められたが、眼の外部視野（ＦＲ捕捉視野）は除外された。（特に、Ｆ４、Ｆ５、Ｆ６、および／またはＦ７フィールドは、代替的に、視力メトリックを予測するために使用されてもよい）。無関係な情報を除去するために、カメラレンズによって生成された円に合うように画像がトリミングされた。次いで、画像が２９９×２９９×３画素にサイズ変更された。ＭＡＲＩＮＡからのＣＦＰ画像が被験者レベルで５つの折り畳みに分割され、交差検証によるモデル開発に使用された。各折り畳みの被験者は、回帰タスクおよび分類タスクの双方について一定のままであった。
【0137】
ＶＩ．Ｂ．１．ｃ．深層学習モデリングの結果変数
関心対象のＢＣＶＡ結果は、（１）各来院時のＥＴＤＲＳ文字におけるＢＣＶＡ、および（２）特定のＢＣＶＡ値が＜６９文字である（スネレン当量２０／４０）かどうかであった。２０／４０のスネレン当量は、視力障害の機能的に有意なレベルを反映すると考えられるために選択された。ＡＮＣＨＯＲ外部検証試験セットにおける眼の平均（±標準偏差［ＳＤ］）ＢＣＶＡは、２ｍの距離でＢＣＶＡ測定を行った被験者では５５．７±２４．７文字であり、４ｍの距離でＢＣＶＡ測定を行った被験者では５５．０±２５．２文字であった（表１０）。
関心対象のＢＣＶＡ結果は、（１）各来院時のＥＴＤＲＳ文字におけるＢＣＶＡ、および（２）特定のＢＣＶＡ値が＜６９文字である（スネレン当量２０／４０）かどうかであった。２０／４０のスネレン当量は、視力障害の機能的に有意なレベルを反映すると考えられるために選択された。ＡＮＣＨＯＲ外部検証試験セットにおける眼の平均（±標準偏差［ＳＤ］）ＢＣＶＡは、２ｍの距離でＢＣＶＡ測定を行った被験者では５５．７±２４．７文字であり、４ｍの距離でＢＣＶＡ測定を行った被験者では５５．０±２５．２文字であった（表１０）。
【表10】
【0138】
ＶＩ．Ｂ．１．ｄ．深層学習アルゴリズム
深層学習モデルは、（１）同じ来院時に得られたＣＦＰ画像からのＥＴＤＲＳ文字の正確なＢＣＶＡ値、および（２）同じ来院時に得られたＣＦＰ画像からの＜６９文字（スネレン当量、２０／４０）のＢＣＶＡを予測するそれらの能力について評価した。
深層学習モデルは、（１）同じ来院時に得られたＣＦＰ画像からのＥＴＤＲＳ文字の正確なＢＣＶＡ値、および（２）同じ来院時に得られたＣＦＰ画像からの＜６９文字（スネレン当量、２０／４０）のＢＣＶＡを予測するそれらの能力について評価した。
【0139】
深層学習モデリングは、Ｎｖｉｄｉａ Ｖ１００ ＧＰＵにおいて、Ｋｅｒａｓ（２．２．５）を有するＴｅｎｓｏｒＦｌｏｗ（１．１４．０）、および、ＣＦＰと同じ来院時にＢＣＶＡを予測するように訓練されたインセプション－ＲｅｓＮｅｔ－ｖ２ ＣＮＮアーキテクチャを使用して実行された。
【0140】
回帰モデルについては、グローバル平均プーリング、ドロップアウト（０．５）、密（２５６）、および密（１）の層がベースＣＮＮモデルに追加された。ＢＣＶＡが測定された距離を説明するために、２ｍまたは４ｍの対応するチャート距離が最終緻密層（図１０）に連結された。損失関数は、平均二乗誤差であった。５つの交差検証折り畳みのそれぞれについて、ＩｍａｇｅＮｅｔデータセットで事前訓練された重みでモデルが初期化され、Ａｄａｍオプティマイザを使用して訓練不可能なベースモデル層で２エポックについて訓練され、次いで、ＲＡｄａｍオプティマイザを使用して訓練可能なベースモデル層でさらに２００エポックについて訓練された。
【0141】
分類モデルについて、アーキテクチャは、最終層が疎なカテゴリのクロスエントロピー損失関数を有するソフトマックス活性化関数を使用した密（２）であることを除いて、回帰モデルと同じままであった。モデルは、各折り畳みの回帰モデルからの重みで初期化された。モデルは、Ａｄａｍオプティマイザを使用して訓練不可能なベースモデル層で３エポックについて訓練された。
【0142】
ＶＩ．Ｂ．１．ｅ．深層学習モデルの評価。
最も低い検証損失を有するエポックからのモデル重みが、各交差検証折り畳みから選択された。モデル適合を評価するためのメトリックは、ＡＮＣＨＯＲのサンプル外外部検証試験セットの５つの交差検証折り畳みのそれぞれからの各来院時に眼に対して生成された予測の平均によって計算される（表１１）。さらに、ＭＡＲＩＮＡの５つの折り畳み交差検証調整セットの結果が報告される（表１１）。Ｒ２値が使用されて深層学習回帰モデルをベンチマークした一方で、受信機動作特性曲線下面積（ＡＵＣ）が使用されて、分類のための深層学習モデルの性能を評価した。
最も低い検証損失を有するエポックからのモデル重みが、各交差検証折り畳みから選択された。モデル適合を評価するためのメトリックは、ＡＮＣＨＯＲのサンプル外外部検証試験セットの５つの交差検証折り畳みのそれぞれからの各来院時に眼に対して生成された予測の平均によって計算される（表１１）。さらに、ＭＡＲＩＮＡの５つの折り畳み交差検証調整セットの結果が報告される（表１１）。Ｒ２値が使用されて深層学習回帰モデルをベンチマークした一方で、受信機動作特性曲線下面積（ＡＵＣ）が使用されて、分類のための深層学習モデルの性能を評価した。
【0143】
ＶＩ．Ｂ．２．結果
回帰モデルの結果。チャート距離２ｍでＢＣＶＡを予測する回帰モデルは、ＭＡＲＩＮＡ展開セットではＲ２＝０．５６（９５％ＣＩ：０．５４、０．５７）、ＡＮＣＨＯＲ外部検証試験セットではＲ２＝０．５９（９５％ＣＩ：０．５７、０．６０）であった（表１１、図１１Ａ）。チャート距離４ｍでＢＣＶＡを予測する回帰モデルは、ＭＡＲＩＮＡ展開セットではＲ２＝０．５７（９５％ＣＩ：０．５５、０．６０）、ＡＮＣＨＯＲ外部検証試験セットではＲ２＝０．６０（９５％ＣＩ：０．５７、０．６３）であった（表１１、図１１Ｂ）。図１１Ａおよび図１１Ｂは、カラー眼底写真画像を分析してＡＮＣＨＯＲ外部検証テストセットにおけるＢＣＶＡを予測する深層学習回帰モデルの性能を示している。図１１Ａは、２メートルのチャート距離における実際対予測のＢＣＶＡを示している。Ｒ２＝０．５９。図１１Ｂは、４メートルのチャート距離における実際対予測のＢＣＶＡを示している。Ｒ２＝０．６０。
回帰モデルの結果。チャート距離２ｍでＢＣＶＡを予測する回帰モデルは、ＭＡＲＩＮＡ展開セットではＲ２＝０．５６（９５％ＣＩ：０．５４、０．５７）、ＡＮＣＨＯＲ外部検証試験セットではＲ２＝０．５９（９５％ＣＩ：０．５７、０．６０）であった（表１１、図１１Ａ）。チャート距離４ｍでＢＣＶＡを予測する回帰モデルは、ＭＡＲＩＮＡ展開セットではＲ２＝０．５７（９５％ＣＩ：０．５５、０．６０）、ＡＮＣＨＯＲ外部検証試験セットではＲ２＝０．６０（９５％ＣＩ：０．５７、０．６３）であった（表１１、図１１Ｂ）。図１１Ａおよび図１１Ｂは、カラー眼底写真画像を分析してＡＮＣＨＯＲ外部検証テストセットにおけるＢＣＶＡを予測する深層学習回帰モデルの性能を示している。図１１Ａは、２メートルのチャート距離における実際対予測のＢＣＶＡを示している。Ｒ２＝０．５９。図１１Ｂは、４メートルのチャート距離における実際対予測のＢＣＶＡを示している。Ｒ２＝０．６０。
【0144】
分類モデルの結果。チャート距離２ｍで＜６９文字（スネレン当量２０／４０）のＢＣＶＡを予測する分類モデルは、ＭＡＲＩＮＡ開発セットではＡＵＣ＝０．８６（９５％ＣＩ：０．８５、０．８７）であり、ＡＮＣＨＯＲ外部検証試験セットではＡＵＣ＝０．８６（９５％ＣＩ：０．８５、０．８７）であった（表１１、図１２Ａ）。チャート距離４ｍで＜６９文字（スネレン当量２０／４０）のＢＣＶＡを予測する分類モデルは、ＭＡＲＩＮＡ開発セットではＡＵＣ＝０．８７（９５％ＣＩ：０．８５、０．８８）であり、ＡＮＣＨＯＲ外部検証試験セットではＡＵＣ＝０．８８（９５％ＣＩ：０．８６、０．９０）であった（表１１、図１２Ｂ）。図１２Ａおよび図１２Ｂは、カラー眼底写真画像を分析して、ＡＮＣＨＯＲ外部検証試験セットで＜６９文字（スネレン当量＜２０／４０）のＢＣＶＡを予測する深層学習分類モデルの性能を示している。図１２Ａは、２メートルのチャート距離における受信機動作特性曲線（ＡＵＣ）下領域を示している。ＡＵＣ＝０．８６。図１２Ｂは、４メートルのチャート距離におけるＡＵＣを示している。ＡＵＣ＝０．８８。
【表11】
【0145】
ＶＩ．Ｂ．３．考察
結果は、ニューラルネットワークが新生血管加齢黄斑変性症を有する被験者において網膜構造と視覚機能との間の定量的関係を学習することができることを実証している。
結果は、ニューラルネットワークが新生血管加齢黄斑変性症を有する被験者において網膜構造と視覚機能との間の定量的関係を学習することができることを実証している。
【0146】
ＶＩＩ．コンピューティングシステム
図１３は、本明細書に開示される１つ以上の動作および／または１つ以上の方法の一部または全部を実行するように構成されることができるコンピューティングシステムのネットワーク１３００を示している。ネットワーク１３００は、被験者の眼の１つ以上の画像を収集するように構成された１つ以上の眼撮像システム１３０５を含むことができる。１つ以上の眼撮像システムは、本明細書に開示される１つ以上の技術（例えば、セクションＩＩ．Ａ．１に開示されている光干渉断層撮影、またはセクションＩＩ．Ａ．２に開示されているカラー眼底写真）を含むことができる。眼撮像システムは、（例えば）ＯＣＴ画像またはカラー眼底写真を収集するように構成された光学部品を含むことができる。例えば、眼撮像システムは、干渉計（例えば、マイケルソン型干渉計）、光源（例えば、低コヒーレンス、広帯域幅）、およびビームスプリッタを含むことができる。別の例として、眼撮像システムは、眼底カメラを含むことができる。眼撮像システムは、画像（またはその処理されたバージョン）を記憶および／または送信するためのコンピューティングシステム（例えば、１つ以上のプロセッサ、１つ以上のメモリ、および／または１つ以上の送信機を有する）を含むことができる。
図１３は、本明細書に開示される１つ以上の動作および／または１つ以上の方法の一部または全部を実行するように構成されることができるコンピューティングシステムのネットワーク１３００を示している。ネットワーク１３００は、被験者の眼の１つ以上の画像を収集するように構成された１つ以上の眼撮像システム１３０５を含むことができる。１つ以上の眼撮像システムは、本明細書に開示される１つ以上の技術（例えば、セクションＩＩ．Ａ．１に開示されている光干渉断層撮影、またはセクションＩＩ．Ａ．２に開示されているカラー眼底写真）を含むことができる。眼撮像システムは、（例えば）ＯＣＴ画像またはカラー眼底写真を収集するように構成された光学部品を含むことができる。例えば、眼撮像システムは、干渉計（例えば、マイケルソン型干渉計）、光源（例えば、低コヒーレンス、広帯域幅）、およびビームスプリッタを含むことができる。別の例として、眼撮像システムは、眼底カメラを含むことができる。眼撮像システムは、画像（またはその処理されたバージョン）を記憶および／または送信するためのコンピューティングシステム（例えば、１つ以上のプロセッサ、１つ以上のメモリ、および／または１つ以上の送信機を有する）を含むことができる。
【0147】
ネットワーク１３００は、視力検査表またはアイカードなどの視覚刺激を見ることに対する被験者の応答に基づいて生成された視力メトリックを収集および送信するように構成された１つ以上のコンピューティングシステム（例えば、１つ以上のプロセッサ、１つ以上のメモリ、または１つ以上の送信機を有する）を含むことができる１つ以上の視覚機能評価システム１３１０を含むことができる。視力メトリックは、セクションＩＩ．Ｃ．１に開示されているメトリックを含むことができる。視力メトリックは、本明細書に開示される技術に基づいて判定されることができる。場合によっては、視覚機能評価システムは、システムのスクリーン上に視覚刺激を提示する。場合によっては、視覚刺激は、別々に提示される（例えば、物理的なチャートまたはカードを介して）。
【0148】
機械学習モデルシステム１３１５は、（例えば、１つ以上のプロセッサ、１つ以上のメモリ、１つ以上の送信機および／または１つ以上の受信機を有する）１つ以上のコンピューティングシステムを含むことができる。機械学習モデルシステム１３１５は、その一部または全部がクラウドコンピューティングシステムであってもよい。機械学習モデルシステム１３１５は、１つ以上のサーバを含むことができる。場合によっては、機械学習モデルシステム１３１５は、被験者の被験者装置および／または医療装置（例えば、ウェアラブル装置、スマートフォンなど）であるか、またはその内部に含まれる。
【0149】
機械学習モデルシステム１３１５は、機械学習モデルを訓練および／または使用するように構成されることができ、機械学習モデルは、１つ以上の前処理関数（例えば、セクションＩＩ．Ｂ．に開示されている）および１つ以上のニューラルネットワーク（例えば、セクションＩＩＩ．Ａに開示されているアーキテクチャおよび／または特性を有する）を含むことができる。
【0150】
機械学習モデルシステム１３１５は、（例えば）セクションＩＩＩ．Ｂ．に開示されている技術を使用して機械学習モデルを訓練することができる。機械学習モデルシステム１３１５は、訓練被験者のセットのそれぞれについて、訓練データ（例えば、セクションＩＩ．Ｃに開示されている）を受信することができる。訓練データは、各訓練被験者について、（眼撮像システム１３０５からの）片眼または両眼の１つ以上の画像と、（視覚機能評価システム１３１０からの）片眼または両眼に対応する視力スコアまたはメトリックとを含むことができる。場合によっては、片眼または両眼のそれぞれについて、異なる時点（例えば、眼の画像が収集された時点の相対値）に対応する複数の視－力メトリックが受信される。例えば、１つのメトリックは、眼の画像が収集されたのと同じ日に投与される視覚機能試験（例えば、視力検査表の読み取り）に対応することができ、別のメトリックは、眼の画像が収集された約６ヶ月後または約１年後に投与される視覚機能試験に対応することができる。機械学習モデルシステム１３１５は、画像および視力メトリックを使用して、機械－学習モデル（例えば、深層畳み込みネットワークを使用する）を訓練して、眼の画像に基づいて視－力メトリック（またはバイナリインジケータなどの別の種類の視力メトリック）を予測することができる。場合によっては、モデルは、画像を前処理するための１つ以上の前処理関数を含む。モデルを訓練することは、パラメータのセットを学習することを含むことができる。
【0151】
次いで、機械学習モデルシステム１３１５は、別の被験者に対応する別の画像（例えば、別の眼撮像システム１３０５から）を受信することができ、訓練されたモデルを使用して、他の画像に関連する被験者の現在および／または将来の視力メトリックを予測することができる。
【0152】
機械学習モデルシステム１３１５は、予測視力メトリックを（例えば、被験者の識別子とともに）１つ以上のユーザ装置１３２０に送信することができる。１つ以上のユーザ装置１３２０は、被験者または被験者自身の介護者（例えば）に相当してもよい。１つ以上のユーザ装置１３２０のユーザは、（例えば）セクションＩＶに開示されている方法で結果を使用することができる。
【0153】
場合によっては、眼撮像システム１３０５、視覚機能評価システム１３１０、またはユーザ装置１３２０のうちの２つ以上は、同じエンティティによって所有され、同じ場所に配置され、および／または同じコンピューティングシステム（例えば、介護提供者のオフィスにおける）内に含まれる。場合によっては、被験者の装置（例えば、スマートフォン）は、２つ以上の図示された構成要素のそれぞれの少なくとも一部を含む。例えば、スマートフォンへの付属品が使用されて、被験者の眼の画像を収集することができ、訓練済みの機械学習モデルは、スマートフォン上でローカルに実行されることができ、予測された視力は、スマートフォンに提供されることができる。
【0154】
ＶＩＩＩ．例示的な実施形態
第１の例示的な実施例は、画像処理に基づいて視力を予測する方法である。本方法は、被験者の眼の少なくとも一部の画像にアクセスすることと、画像を機械学習モデルに入力して、予測視力に対応する予測視力メトリックを判定することであって、機械学習モデルが、パラメータのセットであって、訓練画像のセットであって、訓練画像のセットのそれぞれが、訓練被験者のセットのうちの訓練被験者の眼の少なくとも一部を描写する、訓練画像のセットと、訓練被験者のセットのそれぞれについて観察された視力を識別するラベルのセットと、を使用して判定されるパラメータのセットと、画像およびパラメータを視力メトリックに関連付ける関数と、を含む、判定することと、画像およびパラメータを視力メトリックに関連付ける関数（例えば、関数は、訓練画像を観察された視力メトリックに関連付けるように学習され、関数は、非訓練画像を予測された視－力メトリックに関連付けるために使用されることができる）をさらに使用することと、予測視力メトリックを返すことと、を含む。
第１の例示的な実施例は、画像処理に基づいて視力を予測する方法である。本方法は、被験者の眼の少なくとも一部の画像にアクセスすることと、画像を機械学習モデルに入力して、予測視力に対応する予測視力メトリックを判定することであって、機械学習モデルが、パラメータのセットであって、訓練画像のセットであって、訓練画像のセットのそれぞれが、訓練被験者のセットのうちの訓練被験者の眼の少なくとも一部を描写する、訓練画像のセットと、訓練被験者のセットのそれぞれについて観察された視力を識別するラベルのセットと、を使用して判定されるパラメータのセットと、画像およびパラメータを視力メトリックに関連付ける関数と、を含む、判定することと、画像およびパラメータを視力メトリックに関連付ける関数（例えば、関数は、訓練画像を観察された視力メトリックに関連付けるように学習され、関数は、非訓練画像を予測された視－力メトリックに関連付けるために使用されることができる）をさらに使用することと、予測視力メトリックを返すことと、を含む。
【0155】
第２の例示的な実施例は、画像が光干渉断層撮影（ＯＣＴ）画像である、第１の例示的な実施例を含む。
【0156】
第３の例示的な実施例は、画像がカラー眼底写真画像である、第１の例示的な実施例を含む。
【0157】
第４の例示的な実施例は、予測視力メトリックが、画像が撮像装置によって捕捉されたベースライン日の予測視力に対応する、第１から第３の例示的な実施例のいずれかを含む。
【0158】
第５の例示的な実施例は、予測視力メトリックが、１つ以上の数字を含み、１つ以上の数字が、画像が捕捉されたベースラインの日付から少なくとも６ヶ月の日付の予測視力を表す、第１から第３の例示的な実施例のいずれかを含む。
【0159】
第６の例示的な実施例は、予測視力メトリックが、画像が撮像装置によって捕捉されたベースライン日の被験者の視力が閾値視力値よりも悪いかどうかに関する予測を表すバイナリ値である、第１から第３の例示的な実施例のいずれかを含む。
【0160】
第７の例示的な実施例は、予測視力メトリックが、画像が撮像装置によって捕捉されたベースライン日から少なくとも６ヶ月の被験者の視力が閾値視力値よりも悪いかどうかに関する予測を表すバイナリ値である、第１から第３の例示的な実施例のいずれかを含む。
【0161】
第８の例示的な実施例は、閾値が、２０／１６０、２０／８０または２０／４０のスネレン分率に相当する、第６または第７の例示的な実施例を含む。
【0162】
第９の例示的な実施例は、予測視力メトリックに応答して、
【0163】
被験者が薬理学的処置を受けることの推奨を提供することをさらに含む、第１から第８の例示的な実施例のいずれかを含む。
【0164】
第１０の例示的な実施例は、画像が３次元画像であり、方法が、
【0165】
画像を複数の２次元スライスにスライスすることであって、スライスのそれぞれが、異なるスキャン中心角で捕捉され、互いのスライスから異なる数の画素をオフセットする、スライスすることをさらに含み、
【0166】
画像をモデルに入力することが、スライスをモデルに入力することを含む、第１から第９の例示的な実施例のいずれかを含む。
【0167】
第１１の例示的な実施例は、モデルが、深層学習モデルである、第１から第１０の例示的な実施例のいずれかを含む。
【0168】
第１２の例示的な実施例は、モデルが、畳み込みニューラルネットワークであるか、または畳み込みニューラルネットワークを含む、第１から第１１の例示的な実施例のいずれかを含む。
【0169】
第１３の例示的な実施例は、モデルが、畳み込みカーネルのセットを使用する、第１から第１２の例示的な実施例のいずれかを含む。
【0170】
第１４の例示的な実施例は、モデルが、ＲｅｓＮｅｔモデルを含む、第１から第１３の例示的な実施例のいずれかを含む。
【0171】
第１５の例示的な実施例は、モデルが、インセプションモデルである、第１から第１４の例示的な実施例のいずれかを含む。
【0172】
第１６の例示的な実施例は、予測視力メトリックが、被験者の眼の予測視力に対応する、第１から第１５の例示的な実施例のいずれかを含む。
【0173】
第１７の例示的な実施例は、予測視力メトリックが、眼鏡またはコンタクトを着用している間の被験者の視力を予測する予測矯正視力に対応する、第１から第１６の例示的な実施例のいずれかを含む。
【0174】
第１８の例示的な実施例は、予測視力メトリックが、被験者の前記眼の予測最良矯正視力に対応する、第１から第１７の例示的な実施例のいずれかを含む。
【0175】
第１９の例示的な実施例は、被験者が、画像が収集された時点で加齢黄斑変性と以前に診断された、第１から第１７の例示的な実施例のいずれかを含む。
【0176】
第２０の例示的な実施例は、被験者が、画像が収集された時点で新生血管加齢黄斑変性と以前に診断された、第１から第１７の例示的な実施例のいずれかを含む。
【0177】
第２１の例示的な実施例は、被験者が、画像が収集された時点で萎縮型加齢黄斑変性と以前に診断された、第１から第１７の例示的な実施例のいずれかを含む。
【0178】
第２２の例示的な実施例は、訓練被験者のそれぞれが、画像のセットの訓練画像が収集される前に加齢黄斑変性と以前に診断された、第１から第１７の例示的な実施例のいずれかを含む。
【0179】
第２３の例示的な実施例は、訓練被験者のそれぞれが、画像のセットの訓練画像が収集される前に新生血管加齢黄斑変性と以前に診断された、第１から第１７の例示的な実施例のいずれかを含む。
【0180】
第２４の例示的な実施例は、訓練被験者のそれぞれが、画像のセットの訓練画像が収集される前に萎縮型加齢黄斑変性と以前に診断された、第１から第１７の例示的な実施例のいずれかを含む。
【0181】
第２５の例示的な実施例は、
【0182】
訓練画像のセットおよびラベルのセットを使用してモデルを訓練することをさらに含む、第１から第２４の例示的な実施例のいずれかを含む。
【0183】
第２６の例示的な実施例は、機械学習モデルが、１つ以上の前処理関数と、１つ以上のニューラルネットワークとを含む、第１から第２５の例示的な実施例のいずれかを含む。
【0184】
第２７の例示的な実施例は、眼の少なくとも一部の画像が、被験者の眼の少なくとも一部の生画像に１つ以上の前処理関数を適用することによって生成された眼の前処理バージョンを含む、第１から第２５の例示的な実施例のいずれかを含む。
【0185】
第２８の例示的な実施例は、１つ以上の前処理関数が、画像を平坦化する関数を含む、第２６または第２７の例示的な実施例のいずれかを含む。
【0186】
第２９の例示的な実施例は、１つ以上の前処理関数が、１つ以上のＢスキャン画像または１つ以上のＣスキャン画像を生成する関数を含む、第２６または第２７の例示的な実施例のいずれかを含む。
【0187】
第３０の例示的な実施例は、１つ以上の前処理関数がトリミング関数を含む、第２６または第２９の例示的な実施例のいずれかを含む。
【0188】
第３１の例示的な実施例は、予測視力メトリックが、第１の距離における被験者の眼の予測視力に対応し、方法が、
【0189】
機械学習モデルを使用して、被験者の同じまたは異なる眼の予測視力に対応する別の予測視力メトリックを判定することと、
【0190】
別の予測視力メトリックを返すことと、をさらに含む、第２６または第２９の例示的な実施例のいずれかを含む。
【0191】
第３２の例示的な実施例は、臨床試験を層別化する方法であって、被験者のセットの各被験者について、第１から第３１の例示的な実施例のいずれかの画像処理に基づいて視力を予測する方法を実行することと、被験者のセットのそれぞれについて、被験者が臨床試験に参加するのに適格であるかどうかを判定することであって、判定が、適格基準のセットのそれぞれが被験者に関して満たされるかどうかに基づいており、適格基準のセットの特定の適格基準の評価が、被験者の予測視力を使用して行われる、判定することと、被験者のセットのサブセットを用いて臨床試験を実施することであって、サブセット中の各被験者が臨床試験に参加するのに適格であると判定された、実施することと、を含む。
【0192】
第３３の例示的な実施例は、第１の被験者群および第２の被験者群への被験者割り当てにしたがって臨床試験を実施することをさらに含む、第３２の例示的な実施例を含む。
【0193】
第３４の例示的な実施例は、第１から第３１の例示的な実施例のいずれかの方法にしたがって判定された予測視力メトリックに基づいて、被験者に対する潜在的な処置のセットの中から処置を選択することと、処置の識別情報を出力することと、を含む。
【0194】
第３５の例示的な実施例は、第１から第３１の例示的な実施例のいずれかにしたがって判定された予測視力メトリックに基づいて、被験者に対する潜在的な処置のセットの中から処置を選択することと、処置を使用して被験者を処置することと、を含む。
【0195】
第３６の例示的な実施例は、訓練被験者の少なくとも一部のそれぞれが、訓練被験者に対応するラベルが判定される視力検査に参加する前に処置を受けていた、第３４または第３５の例示的な実施例を含む。
【0196】
第３７の例示的な実施例は、訓練被験者のそれぞれが、訓練被験者に対応するラベルが判定される視力検査に参加する前に処置を受けていた、第３４または第３５の例示的な実施例を含む。
【0197】
第３８の例示的な実施例は、訓練被験者の少なくとも一部のそれぞれが、訓練被験者に対応するラベルがそこから判定された視力検査に参加する前に処置とは異なる別の処置を受けており、被験者が以前に別の処置を受けていた、第３４または第３５の例示的な実施例を含む。
【0198】
第３９の例示的な実施例は、訓練被験者のそれぞれが、訓練被験者に対応するラベルがそこから判定された視力検査に参加する前に処置とは異なる別の処置を受けており、被験者が以前に別の処置を受けていた、第３４または第３５の例示的な実施例を含む。
【0199】
第４０の例示的な実施例は、１つ以上のデータプロセッサと、１つ以上のデータプロセッサ上で実行されると、１つ以上のデータプロセッサに、本明細書に開示された１つ以上の方法の一部または全部を実行させる命令を含む非一時的コンピュータ可読記憶媒体と、を含む。
【0200】
第４１の例示的な実施例は、１つ以上のデータプロセッサに、本明細書に開示された１つ以上の方法の一部または全部を実行させるように構成された命令を含む、非一時的機械可読記憶媒体において有形に具現化されたコンピュータプログラム製品を含む。
【0201】
ＩＸ．さらなる考察
本明細書におけるいくつかの開示は、被験者（例えば、被験者の視力を識別すること、被験者の視力を予測すること、被験者を処置することなど）に言及する。いくつかの実施形態では、これらの開示の一部または全部は、被験者の特定の眼に関連することが理解されよう。
本明細書におけるいくつかの開示は、被験者（例えば、被験者の視力を識別すること、被験者の視力を予測すること、被験者を処置することなど）に言及する。いくつかの実施形態では、これらの開示の一部または全部は、被験者の特定の眼に関連することが理解されよう。
【0202】
本開示のいくつかの実施形態は、１つ以上のデータプロセッサを含むシステムを含む。いくつかの実施形態では、システムは、１つ以上のデータプロセッサ上で実行されると、１つ以上のデータプロセッサに、本明細書に開示された１つ以上の方法の一部または全部および／または１つ以上のプロセスの一部または全部を実行させる命令を含む非一時的コンピュータ可読記憶媒体を含む。本開示のいくつかの実施形態は、１つ以上のデータプロセッサに、本明細書に開示された１つ以上の方法の一部または全部および／または１つ以上のプロセスの一部または全部を実行させるように構成された命令を含む、非一時的機械可読記憶媒体において有形に具現化されたコンピュータプログラム製品を含む。
【0203】
使用された用語および表現は、限定ではなく説明の用語として使用され、そのような用語および表現の使用において、示されて説明された特徴の均等物またはその一部を除外する意図はないが、特許請求の範囲に記載された発明の範囲内で様々な変更が可能であることが認識される。したがって、特許請求の範囲に記載された本発明は、実施形態および任意の特徴によって具体的に開示されているが、本明細書に開示された概念の変更および変形は、当業者によってあてにされてもよく、そのような変更および変形は、添付の特許請求の範囲によって定義される本発明の範囲内にあると見なされることを理解されたい。
【0204】
説明は、好ましい例示的な実施形態のみを提供し、本開示の範囲、適用可能性または構成を限定することを意図しない。むしろ、好ましい例示的な実施形態の説明は、様々な実施形態を実装するための可能な説明を当業者に提供する。添付の特許請求の範囲に記載の趣旨および範囲から逸脱することなく、要素の機能および配置に様々な変更を加えることができることが理解される。
【0205】
実施形態の完全な理解を提供するために、以下の説明において具体的な詳細が与えられる。しかしながら、これらの具体的な詳細なしで実施形態が実施されることができることが理解されよう。例えば、回路、システム、ネットワーク、プロセス、および他の構成要素は、実施形態を不必要に詳細に不明瞭にしないために、ブロック図形式の構成要素として示されてもよい。他の例では、実施形態を不明瞭にすることを避けるために、周知の回路、プロセス、アルゴリズム、構造、および技術が不必要な詳細なしに示されてもよい。
【図1】
【図2】
【図3】
【図4A】
【図4B】
【図4C】
【図5A】
【図5B】
【図5C】
【図6A】
【図6B】
【図6C】
【図7A】
【図7B】
【図7C】
【図8】
【図9】
【図10】
【図11A】
【図11B】
【図12A】
【図12B】
【図13】
【外国語明細書】