特表 2023-534447 深層ニューラルネットワークを使用する眼底自発蛍光画像からの地図状萎縮成長速度の予測

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2023-08-09

(54)【発明の名称】深層ニューラルネットワークを使用する眼底自発蛍光画像からの地図状萎縮成長速度の予測

(51)【国際特許分類】

   A61B 3/12 20060101AFI20230802BHJP

   A61B 3/14 20060101ALI20230802BHJP

   G06T 7/00 20170101ALI20230802BHJP

【ＦＩ】

A61B3/12

A61B3/14

G06T7/00 616

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2023501885

(86)(22)【出願日】2021-07-14

(85)【翻訳文提出日】2023-03-07

(86)【国際出願番号】 US2021041697

(87)【国際公開番号】W WO2022015895

(87)【国際公開日】2022-01-20

(31)【優先権主張番号】63/052,292

(32)【優先日】2020-07-15

(33)【優先権主張国・地域又は機関】US

(31)【優先権主張番号】63/149,073

(32)【優先日】2021-02-12

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

【公序良俗違反の表示】

（特許庁注：以下のものは登録商標）

１．ＰＹＴＨＯＮ

(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】110002077

【氏名又は名称】園田・小林弁理士法人

(72)【発明者】

【氏名】カオ， シモン シャン

(72)【発明者】

【氏名】アネゴンディ， ネハ ステークシュナ

【テーマコード（参考）】

4C316

5L096

【Ｆターム（参考）】

4C316AA09

4C316AB07

4C316AB16

4C316FB05

4C316FB21

4C316FB23

4C316FB27

5L096AA06

5L096BA06

5L096BA13

5L096CA02

5L096DA02

5L096HA09

5L096HA11

5L096KA04

5L096KA15

(57)【要約】

網膜における地図状萎縮を評価するための方法およびシステム。網膜の眼底自発蛍光（ＦＡＦ）画像のセットが受信される。眼底自発蛍光画像のセットを使用して機械学習システム用の入力が生成される。機械学習システムを介して、眼底自発蛍光画像のセットを使用して網膜における地図状萎縮病変の病変面積が予測される。機械学習システムを介して、入力を使用して網膜における地図状萎縮病変の病変成長速度が予測される。
【選択図】図１

【特許請求の範囲】

【請求項1】

網膜における地図状萎縮を評価するための方法であって、
前記網膜の眼底自発蛍光（ＦＡＦ）画像のセットを受信することと、
前記眼底自発蛍光画像のセットを使用して機械学習システム用の入力を生成することと、
前記機械学習システムを介して、前記眼底自発蛍光画像のセットを使用して前記網膜における地図状萎縮病変の病変面積を予測することと、
前記機械学習システムを介して、前記入力を使用して前記網膜における前記地図状萎縮病変の病変成長速度を予測することと
を含む、方法。

【請求項2】

前記眼底自発蛍光画像のセットが、ベースライン時点に対応する前記網膜のベースライン眼底自発蛍光画像を含み、前記病変成長速度が、前記ベースライン時点の後の時点について予測される、請求項１に記載の方法。

【請求項3】

前記眼底自発蛍光画像のセットが、ベースライン時点に対応する前記網膜のベースライン眼底自発蛍光画像を含み、前記病変面積が、前記ベースライン時点の後の時点について予測される、請求項１または請求項２に記載の方法。

【請求項4】

前記生成することが、前記眼底自発蛍光画像のセットを前処理して、前記機械学習システム用の前記入力を形成することを含む、請求項１～３のいずれか一項に記載の方法。

【請求項5】

前記前処理することが、前記眼底自発蛍光画像のセットの各眼底自発蛍光画像を選択されたサイズにサイズ変更して、前記機械学習システム用の前記入力を形成することを含む、請求項４に記載の方法。

【請求項6】

前記前処理することが、前記眼底自発蛍光画像のセットの各眼底自発蛍光画像の画像強度を選択されたスケールに対して正規化して、前記機械学習システム用の前記入力を形成することを含む、請求項４または請求項５に記載の方法。

【請求項7】

前記機械学習システムを介して、前記病変成長速度を予測することが、
前記機械学習システムの畳み込みニューラルネットワーク層を介して、前記入力に基づいて第１の出力を生成することと、
前記機械学習システムのプーリング層を介して、前記第１の出力を使用して第２の出力を生成することと、
前記機械学習システムの緻密層を介して、前記第２の出力を使用して、前記地図状萎縮病変の前記病変成長速度を予測することと
を含む、請求項１～６のいずれか一項に記載の方法。

【請求項8】

前記機械学習システムを介して、前記病変面積を予測することが、
前記機械学習システムの畳み込みニューラルネットワーク層を介して、前記入力に基づいて第１の出力を生成することと、
前記機械学習システムのプーリング層を介して、前記第１の出力を使用して第２の出力を生成することと、
前記機械学習システムの緻密層を介して、前記第２の出力を使用して前記地図状萎縮病変の前記病変面積を予測することと
を含む、請求項１～７のいずれか一項に記載の方法。

【請求項9】

同じ包含基準を有する複数の臨床試験から取得された複数の眼底自発蛍光画像を使用して前記機械学習システムを訓練することをさらに含む、請求項１から８のいずれか一項に記載の方法。

【請求項10】

前記機械学習システムが、深層学習ニューラルネットワークシステムを備える、請求項１から９のいずれか一項に記載の方法。

【請求項11】

網膜における地図状萎縮を評価するための方法であって、
前記網膜の眼底自発蛍光（ＦＡＦ）画像のセットを受信することと、
前記眼底自発蛍光画像のセットを使用して機械学習システム用の入力を生成することと、
前記機械学習システムを介して、前記入力を使用して前記網膜における地図状萎縮病変の病変面積を予測することと、
前記機械学習システムを介して、前記機械学習システムによって予測された前記病変面積を使用して、前記地図状萎縮病変の病変成長速度を予測することと
を含む、方法。

【請求項12】

前記眼底自発蛍光画像のセットが、ベースライン時点に対応する前記網膜のベースライン眼底自発蛍光画像を含み、前記病変成長速度が、前記ベースライン時点の後の時点について予測される、請求項１１に記載の方法。

【請求項13】

前記眼底自発蛍光画像のセットが、ベースライン時点に対応する前記網膜のベースライン眼底自発蛍光画像を含み、前記病変面積が、前記ベースライン時点の後の時点について予測される、請求項１１または請求項１２に記載の方法。

【請求項14】

前記生成することが、前記眼底自発蛍光画像のセットを前処理して、前記機械学習システム用の前記入力を形成することを含む、請求項１１～１３のいずれか一項に記載の方法。

【請求項15】

前記前処理することが、
前記眼底自発蛍光画像のセットの各眼底自発蛍光画像を選択されたサイズにサイズ変更して、前記機械学習システム用の前記入力を形成すること、または、
前記眼底自発蛍光画像のセットの各眼底自発蛍光画像の画像強度を選択されたスケールに対して正規化して、前記機械学習システム用の前記入力を形成すること
のうちの少なくとも１つを含む、請求項１４に記載の方法。

【請求項16】

前記機械学習システムが、深層学習を使用するニューラルネットワークシステムを備え、
前記ニューラルネットワークシステムの面積サブシステムを訓練して、病変面積を予測することと、
前記機械学習システムの成長速度サブシステムを訓練して、前記面積サブシステムの訓練から特定された予め訓練されたパラメータのセットを使用して病変成長速度を予測することと
をさらに含む、請求項１１～１５のいずれか一項に記載の方法。

【請求項17】

地図状萎縮病変の病変成長速度を予測するための方法であって、
コンピューティングシステムにおいて、眼底自発蛍光画像のセットにアクセスすることと、
前記眼底自発蛍光画像のセットの画像から地図状萎縮進行メトリックを導出することと、
被験者の眼底自発蛍光画像にアクセスすることと、
前記眼底自発蛍光画像および前記地図状萎縮進行メトリックから、前記被験者の地図状萎縮病変の被験者特異的な病変面積を予測することと、
予測された前記病変面積から病変成長速度の被験者特異的な予測を出力することと
を含む、方法。

【請求項18】

前記地図状萎縮進行メトリックが地図状萎縮病変成長速度である、請求項１７に記載の方法。

【請求項19】

システムであって、
１つ以上のデータプロセッサと、
命令を含む非一時的コンピュータ可読記憶媒体であって、前記命令が前記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請求項１から１８のいずれか一項に記載の方法を実行させる、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。

【請求項20】

１つ以上のデータプロセッサに請求項１から１８のいずれか一項に記載の方法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有形に具現化されたコンピュータプログラム製品。

【発明の詳細な説明】

【技術分野】

【0001】

関連出願の相互参照
本出願は、２０２１年２月１２日に出願された「Ｐｒｅｄｉｃｔｉｎｇ Ｇｅｏｇｒａｐｈｉｃ Ａｔｒｏｐｈｙ Ｇｒｏｗｔｈ Ｒａｔｅ ｆｒｏｍ Ｆｕｎｄｕｓ Ａｕｔｏｆｌｕｏｒｅｓｃｅｎｃｅ Ｉｍａｇｅｓ ｕｓｉｎｇ Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ」と題する米国仮特許出願第６３／１４９，０７３号、および２０２０年７月１５日に出願された「Ｐｒｅｄｉｃｔｉｎｇ Ｇｅｏｇｒａｐｈｉｃ Ａｔｒｏｐｈｙ Ｇｒｏｗｔｈ Ｒａｔｅ ｆｒｏｍ Ｆｕｎｄｕｓ Ａｕｔｏｆｌｕｏｒｅｓｃｅｎｃｅ Ｉｍａｇｅｓ ｕｓｉｎｇ Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ」と題する米国仮特許出願第 ６３／０５２，２９２号に対する優先権を主張し、双方とも参照によりその全体が本明細書に組み込まれる。

【0002】

分野
この説明は、一般に、網膜における地図状萎縮の評価に関する。より具体的には、この説明は、例えば眼底自発蛍光（ＦＡＦ）画像および光干渉断層撮影（ＯＣＴ）画像などの複数のモダリティからの画像を使用して、地図状萎縮病変の成長速度を予測するための方法およびシステムを提供する。

【背景技術】

【0003】

背景
加齢黄斑変性（ＡＭＤ）は、５０歳以上の患者における視力喪失の主な原因である。地図状萎縮（ＧＡ）は、ＡＭＤの後期形態である。ＧＡは、網膜の変性であり、例えば運転、読書などの日常活動を妨げる可能性がある。ＧＡは、脈絡毛細管、網膜色素上皮（ＲＰＥ）および光受容体の進行性および不可逆的な喪失を特徴とする。ＧＡの進行は、患者によって異なり、現在、ＧＡの進行を予防または減速するための広く受け入れられている治療法は存在しない。したがって、個々の患者におけるＧＡの進行を評価することは、ＧＡを研究し、有効な治療法を開発するために重要であり得る。現在、ＧＡ病変拡大の診断および監視は、共焦点走査レーザー検眼鏡検査（ｃＳＬＯ）によって得られる眼底自発蛍光（ＦＡＦ）画像を使用して実施されることができる。ＦＡＦ画像では、ＧＡの領域は、暗い領域として見ることができ、ＧＡの進行は、それらの暗い領域の経時的な増加率に基づいて評価されることができる。ＦＡＦ画像を使用してＧＡ進行を評価するための現在利用可能な技術は、知識および専門知識を必要とし、時間がかかる手動ステップを実行するために人間の採点者に依存している。さらに、人間の等級付けの変動性のために、１級評価者が２級評価者と比較してＦＡＦ画像をどのように見るかに違いがあり得る。この変動は、結果を歪める可能性がある。ＧＡ進行をより一貫して、確実に、かつ迅速に評価することが望まれる。

【発明の概要】

【0004】

概要
１つ以上の実施形態では、網膜における地図状萎縮を評価するための方法およびシステムが提供される。網膜の眼底自発蛍光（ＦＡＦ）画像のセットが受信される。眼底自発蛍光画像のセットを使用する機械学習システム用の入力が生成される。機械学習システムを介して、眼底自発蛍光画像のセットを使用して網膜における地図状萎縮病変の病変面積が予測される。機械学習システムを介して、入力を使用して網膜における地図状萎縮病変の病変成長速度が予測される。

【0005】

１つ以上の実施形態では、網膜における地図状萎縮を評価するための方法およびシステムが提供される。網膜の眼底自発蛍光（ＦＡＦ）画像のセットが受信される。眼底自発蛍光画像のセットを使用する機械学習システム用の入力が生成される。機械学習システムを介して、入力を使用して網膜の地図状萎縮病変の病変面積が予測される。機械学習システムを介して、機械学習システムによって予測された病変面積を使用して地図状萎縮病変の病変成長速度が予測される。

【0006】

１つ以上の実施形態では、地図状萎縮病変の病変成長速度を予測するための方法が提供される。眼底自発蛍光画像のセットは、コンピューティングシステムにおいてアクセスされる。地図状萎縮進行メトリックは、眼底自発蛍光画像のセットから導出される。被験者の眼底自発蛍光画像がアクセスされる。眼底自発蛍光画像および地図状萎縮進行メトリックから、被験者の地図状萎縮病変の被験者特異的な病変面積が予測される。病変成長速度の被験者特異的な予測は、予測された地図状萎縮病変面積から出力される。

【0007】

１つ以上の実施形態では、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、本明細書に記載の実施形態のいずれか１つの方法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。

【0008】

１つ以上の実施形態では、非一時的機械可読記憶媒体に有形に具現化され、１つ以上のデータプロセッサに本明細書に記載の実施形態のいずれか１つの方法を実行させるように構成された命令を含むコンピュータプログラム製品が提供される。

【図面の簡単な説明】

【0009】

本明細書に開示された原理およびその利点のより完全な理解のために、ここで添付の図面と併せて以下の説明を参照する。

【0010】

【図1】様々な実施形態にかかる病変評価システムのブロック図である。

【0011】

【図2】様々な実施形態にかかるベースアーキテクチャを有する図１のニューラルネットワークシステムのブロック図である。

【0012】

【図3】様々な実施形態にかかるマルチタスクアーキテクチャを有する図１のニューラルネットワークシステムのブロック図である。

【0013】

【図4】様々な実施形態にかかるカスケードアーキテクチャを有する図１のニューラルネットワークシステムのブロック図である。

【0014】

【図5】様々な実施形態にかかる地図状萎縮病変を評価するためのプロセスのフローチャートである。

【0015】

【図6】様々な実施形態にかかる地図状萎縮病変を評価するためのプロセスのフローチャートである。

【0016】

【図7】様々な実施形態にかかる地図状萎縮病変を評価するためのプロセスのフローチャートである。

【0017】

【図8】様々な実施形態にかかるＧＡ進行パラメータのセットを予測するためのプロセスのフローチャートである。

【0018】

【図9】様々な実施形態にかかるＧＡ進行パラメータのセットを予測するためのプロセスのフローチャートである。

【0019】

【図10】様々な実施形態にかかる３つの異なるタイプの機械学習モデルの性能を示す表である。

【0020】

【図11】様々な実施形態にかかる予測される病変成長速度対真の病変成長速度の回帰プロット図である。

【0021】

【図12】様々な実施形態にかかる予測される病変面積対真の病変面積の回帰プロット図である。

【0022】

【図13】様々な実施形態にかかる病変成長速度および病変面積の双方を予測する際のマルチタスクモデルの訓練性能を示す表である。

【0023】

【図14】様々な実施形態にかかるコンピュータシステムのブロック図である。

【0024】

図面は必ずしも一定の縮尺で描かれているわけではなく、図面内の物体は必ずしも互いに一定の縮尺で描かれているわけではないことを理解されたい。図面は、本明細書に開示される装置、システム、および方法の様々な実施形態に明瞭さおよび理解をもたらすことを意図した描写である。可能な限り、同じまたは同様の部分を指すために図面全体を通して同じ参照符号が使用される。さらに、図面は、本教示の範囲を決して限定するものではないことを理解されたい。

【発明を実施するための形態】

【0025】

詳細な説明
Ｉ．概要
ベースライン評価に基づいて地図状萎縮（ＧＡ）の進行を正確に予測する能力は、多くの異なるシナリオで有用であり得る。一例として、ＧＡの進行に関する予測が使用されて、ＧＡの進行を遅らせることが目標である臨床試験における患者の層別化を改善し、それによって治療効果の改善された評価を可能にすることができる。さらに、場合によっては、ＧＡ進行に関する予測が使用されて、遺伝子型シグネチャまたは表現型シグネチャとの相関を介して疾患病因を理解することができる。

【0026】

ＧＡ病変は、様々な撮像モダリティによって撮像されることができる。眼底自発蛍光（ＦＡＦ）画像は、ＧＡ病変面積を定量化するために使用されている。ＧＡ成長速度は、ＦＡＦ画像を使用して測定される場合、ある期間にわたる病変面積の変化であり、臨床試験におけるＧＡ進行の解剖学的指標として広く受け入れられている。本実施形態では、ＧＡ成長速度（例えば、年間成長速度）が、ベースラインＦＡＦ画像から予測されることができる。

【0027】

ＦＡＦ画像を使用してＧＡ進行を評価するための現在利用可能な技術は、ＧＡ病変であるＦＡＦ画像の部分を最初に手動で特定するために人間の採点者に依存している。場合によっては、この第１のステップは、半自動化され、ＧＡ領域のソフトウェア生成された初期輪郭に対する手動の改良および／または補正を行うために人間の採点者に依存する。次に、ＦＡＦ画像の特定された部分が評価されて、ＧＡ病変面積およびＧＡ成長速度を決定する。したがって、これらの技術は、望ましいよりも多くの時間がかかる可能性があり、ヒューマンエラーを起こしやすく、所望よりも正確でない可能性があり、および／または１人または人間の採点者の知識および専門知識に応じて可変の結果を生成する可能性がある２段階プロセスを含むことができる。したがって、ＧＡ病変面積またはＧＡ成長速度の予測に関連する速度、効率、および精度を改善する方法およびシステムが望まれている。

【0028】

本明細書の実施形態は、研究および臨床状況のためのＧＡ病変面積、ＧＡ成長速度、またはその双方の予測に関連する速度、効率、および精度の所望の改善を提供する。特に、本明細書に記載の様々な実施形態は、ベースラインＦＡＦ画像および機械学習システムを使用してＧＡ進行メトリック（例えば、ＧＡ成長速度、ＧＡ病変面積、またはその双方）のセットを自動的に予測するための方法およびシステムを提供する。例えば、所与の被験者について、機械学習システムは、被験者の網膜のベースラインＦＡＦ画像からＧＡ進行メトリックのセットを自動的に予測するように訓練された深層学習を使用する。機械学習システムは、同じまたは類似の包含基準を共有する複数の研究から導出された訓練データセットを使用して訓練される。このタイプの訓練データセットを用いた訓練は、機械学習システムの予測性能を改善する。例えば、そのような訓練された機械学習システムを使用してＦＡＦ画像（例えば、ベースラインＦＡＦ画像）を分析し、１つ以上のＧＡ進行メトリックを自動的に予測することは、これらの予測を行う速度および効率、ならびにこれらの予測の精度を改善することができる。したがって、本明細書に記載の実施形態は、本明細書に記載のように訓練された深層学習を使用する機械学習システムに入力されたベースラインＦＡＦ画像に基づいて、将来のある時点におけるＧＡ病変面積、ＧＡ成長速度（例えば、年間成長速度）、またはその双方を予測するための完全に自動化された方法論およびシステムを提供する。

【0029】

様々な実施形態では、深層学習を使用する機械学習システムが使用されて、ベースラインＦＡＦ画像から経時的なＧＡ病変の進行の正確な予測を生成することができる。例えば、被験者の網膜の１つ以上のベースラインＦＡＦ画像は、網膜のＧＡ病変の予測病変面積、ＧＡ病変の予測病変成長率、またはその双方を自動的に出力する深層学習システムを使用して処理されることができる。場合によっては、病変面積の予測に基づいて病変成長速度が予測される。例えば、２つ以上の異なる時点に対する病変面積の２つ以上の予測がそれぞれ使用されて、病変成長速度を予測することができる。

【0030】

予測された病変面積および／または予測された病変成長速度は、臨床診療での使用にうまく依拠することができる精度を有することができる。例えば、１つ以上の予測ＧＡ進行メトリックが使用されて、被験者が臨床試験の候補であるかどうか、どの臨床試験に被験者を割り当てるか、被験者の治療をカスタマイズする方法、臨床試験中に被験者の進行を監視する方法、またはそれらの組み合わせを決定することができる。

【0031】

ＦＡＦ画像に基づいてＧＡ進行メトリックを予測するために使用される機械学習システム（例えば、深層学習システム）は、所望のレベルの予測精度を保証する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、訓練データセットは、同じ（または実質的に同じまたは類似の）包含基準（例えば、両側性ＧＡを有する被験者）を有する複数の研究から編集されることができる。訓練データセットが同じ（または実質的に同じまたは同様の）包含基準を共有する研究から構築されることを確実にすることは、異なる種類の包含基準を有する研究からの訓練データを使用する場合と比較して、訓練精度、ひいては予測精度を改善するＦＡＦ画像にわたる特定の種類の一貫性を確実にするのに役立つ。いくつかの実施形態では、機械学習システムは、訓練に使用される時間、処理リソース、またはその双方の総量が低減されるように選択または構成されることができる。

【0032】

したがって、本明細書に記載の様々な実施形態は、ＧＡ進行予測方法およびシステムに関する。これらのＧＡ進行予測方法論およびシステムは、被験者の網膜において特定されたＧＡ病変について、病変面積、病変成長速度、またはその双方を予測するために使用されることができる。本明細書に記載の技術は、１人以上の被験者の予後を予測するため、１人以上の被験者の様々な治療に対する応答性を予測するため、個々の被験者に有効であると予測される治療を特定するため、１人以上の被験者を臨床試験内の適切なアームに割り当てるため、またはそれらの組み合わせのために使用されることができる。

【0033】

本明細書に記載の方法論および／またはシステムを使用して予測された病変面積、病変成長速度、またはその双方が使用されて、被験者が地図状萎縮の医学的治療を試験するための臨床試験に適格であるかどうかの指標を含む出力を生成することができる。いくつかの実施形態では、この出力は、被験者を臨床試験に登録するため、被験者を臨床試験に参加することから除外するため、被験者のために臨床試験におけるプロトコルをカスタマイズするため、または被験者を異なる臨床試験に登録するために使用されることができる。

【0034】

ＩＩ．地図状萎縮（ＧＡ）病変評価
ここで図面を参照すると、図１は、様々な実施形態にかかる病変評価システム１００のブロック図である。病変評価システム１００は、被験者の網膜における地図状萎縮（ＧＡ）病変を評価するために使用される。病変評価システム１００は、コンピューティングプラットフォーム１０２と、データストレージ１０４と、ディスプレイシステム１０６とを含む。コンピューティングプラットフォーム１０２は、様々な形態をとることができる。１つ以上の実施形態では、コンピューティングプラットフォーム１０２は、互いに通信する単一のコンピュータ（またはコンピュータシステム）または複数のコンピュータを含む。他の例では、コンピューティングプラットフォーム１０２は、クラウドコンピューティングプラットフォームの形態をとる。

【0035】

データストレージ１０４およびディスプレイシステム１０６は、それぞれ、コンピューティングプラットフォーム１０２と通信する。いくつかの例では、データストレージ１０４、ディスプレイシステム１０６、またはその双方は、コンピューティングプラットフォーム１０２の一部と見なされるか、そうでなければ統合されてもよい。したがって、いくつかの例では、コンピューティングプラットフォーム１０２、データストレージ１０４、およびディスプレイシステム１０６は、互いに通信する別個の構成要素であってもよいが、他の例では、これらの構成要素のいくつかの組み合わせが一緒に統合されてもよい。

【0036】

病変評価システム１００は、ハードウェア、ソフトウェア、ファームウェア、またはそれらの組み合わせを使用して実装されることができる画像プロセッサ１０８を含む。１つ以上の実施形態では、画像プロセッサ１０８は、コンピューティングプラットフォーム１０２に実装される。画像プロセッサ１０８は、処理のために画像入力１１０を受信する。例えば、画像入力１１０は、画像プロセッサ１０８への入力として送信されてもよく、データストレージ１０４もしくは他の何らかの種類のストレージ（例えば、クラウドストレージ）から取得されてもよく、または他の何らかの方法で受信されてもよい。

【0037】

画像入力１１０は、１人以上の被験者について取得された１つ以上の画像を含むことができる。画像入力１１０は、眼底自発蛍光（ＦＡＦ）画像１１２のセットを含む。ＦＡＦ画像１１２のセットは、それぞれが被験者の網膜を撮像する１つ以上のＦＡＦ画像を含む。被験者の網膜は、地図状萎縮（ＧＡ）病変を有することができる。このＧＡ病変は、変性（例えば、慢性進行性変性）を患っている網膜の連続的または不連続的な領域とすることができる。ＧＡ病変は、１つの病変（例えば、１つの連続病変領域）または複数の病変（例えば、複数の別個の病変からなる不連続病変領域）を含むことができる。

【0038】

１つ以上の実施形態では、ＦＡＦ画像１１２のセットは、ベースライン（または基準）時点で撮像された１つ以上のベースラインＦＡＦ画像を含む。ベースライン（または基準）時点は、例えば、処置前の時点、処置用量と同日（例えば、第１の治療用量）、または何らかの他のタイプのベースラインまたは基準時点とすることができる。ＦＡＦ画像１１４は、ＦＡＦ画像１１２のセットにおけるＦＡＦ画像の一例である。ＦＡＦ画像１１４は、ＧＡ病変を撮像したベースラインＦＡＦ画像である。

【0039】

様々な実施形態では、画像プロセッサ１０８は、機械学習システム１１６を使用して画像入力１１０（例えば、ＦＡＦ画像１１２のセット）を処理して、ＧＡ病変に対応するＧＡ進行パラメータ１１８のセットを予測する。例えば、機械学習システム１１６は、入力としてＦＡＦ画像１１４を受信し、ＦＡＦ画像１１４を処理して、ＦＡＦ画像１１４において撮像されたＧＡ病変のＧＡ進行パラメータ１１８のセットを予測することができる。他の例では、前処理モジュール１１９は、画像入力１１０を機械学習システム１１６に送信する前に画像入力１１０を前処理するために使用される。例えば、前処理モジュール１１９は、機械学習システム１１６に送信される修正されたＦＡＦ画像１２０を形成するためにＦＡＦ画像１１４を前処理することができる。前処理は、サイズ変更、画像強度の正規化（例えば、画素強度）、またはそれらの組み合わせを含むことができる。サイズ変更は、ＦＡＦ画像１１４を画素サイズによって選択された画素にサイズ変更すること（例えば、５１２画素×５１２画素）を含むことができる。画像強度の正規化は、ＦＡＦ画像１１４内の画素の強度値を選択されたスケール（例えば、０から１のスケール、－１から１のスケール、または別の種類のスケール）に正規化することを含むことができる。

【0040】

機械学習システム１１６によって生成されたＧＡ進行パラメータ１１８のセットは、例えば、ＧＡ病変に対応する病変面積１２１、病変成長速度１２２、またはその双方を含むことができる。病変面積１２１は、ＧＡ病変が連続領域であるか不連続領域であるかにかかわらず、ＧＡ病変によって覆われた領域を指すことができる。いくつかの実施形態では、病変面積１２１は、単位ミリメートル平方（ｍｍ^２）で生成されることができる。病変面積１２１は、ベースライン時点について推定された病変面積とすることができる。他の例では、病変面積１２１は、ベースライン時点の後の時点について予測された病変面積である。例えば、病変面積１２１は、ベースライン時点から３ヶ月、６ヶ月、９ヶ月、１年間、または他の何らかの期間にわたって予測されるＧＡ病変の面積を含む。さらに他の例では、病変面積１２１は、ベースライン時点の後の複数の時点の複数の予測を含む。

【0041】

病変成長速度１２２は、ＧＡ病変の病変面積の長期的な変化とすることができる。換言すれば、病変成長速度１２２は、経時的な病変面積の予測された変化とすることができる。場合によっては、この成長速度は、年間成長速度（例えば、ｍｍ^２／年）であってもよい。

【0042】

機械学習モデルとも呼ばれることがある機械学習システム１１６は、いくつかの異なる方法のいずれかで実装されてもよい。１つ以上の実施形態では、機械学習システム１１６は、深層学習システムを使用して実装される。例えば、機械学習システム１１６は、深層学習を使用するＧＡ予測ニューラルネットワーク（ＮＮ）システム１２４を使用して実装されてもよい。ＧＡ予測ＮＮシステム１２４は、任意の数または組み合わせのニューラルネットワークを含むことができる。１つ以上の実施形態では、ＧＡ予測ＮＮシステム１２４は、１つ以上のニューラルネットワークを含む畳み込みニューラルネットワーク（ＣＮＮ）システムの形態をとる。これらの１つ以上のニューラルネットワークのそれぞれは、それ自体が畳み込みニューラルネットワークであってもよい。場合によっては、ＧＡ予測ＮＮシステム１２４は、それぞれが１つ以上のニューラルネットワークを含む複数のサブシステムおよび／または層を含む。

【0043】

機械学習システム１１６は、訓練モード１２６または予測モード１２８のいずれかにおいて使用されることができる。訓練モード１２６では、機械学習システム１１６は、訓練データセット１３０を使用して訓練される。訓練データセット１３０は、機械学習システム１１６が所望の精度レベルで予測モード１２８で使用されることができることを保証するように選択されたＦＡＦ画像データセットを含む。１つ以上の実施形態では、訓練データセット１３０は、１つ以上の研究（例えば、臨床研究、調査研究など）を介して得られたＦＡＦ画像を含む。ＦＡＦ画像が複数の研究から得られる場合、研究の包含基準が同じになるように研究が選択される。同じ包含基準が研究において使用されたことを確実にすることは、訓練精度、ひいては予測精度を改善するＦＡＦ画像全体の特定の種類の一貫性を確実にするのに役立つ。様々な実施形態では、訓練データセット１３０は、両側性地図状萎縮症を有する被験者に対するＦＡＦ画像を含む。

【0044】

図２～図４は、図１のＧＡ予測ＮＮシステム１２４の様々なアーキテクチャまたは構成を示すブロック図である。図２～図４は、図１の病変評価システム１００を継続的に参照して説明される。ＧＡ予測ＮＮシステム１２４は、入力としてＦＡＦ画像を受信し、それらのＦＡＦ画像を処理するための様々な構成を有することができる。

【0045】

図２は、様々な実施形態にかかるベースアーキテクチャ２００を有するＧＡ予測ＮＮシステム１２４のブロック図である。ベースアーキテクチャ２００を有するＧＡ予測ＮＮシステム１２４は、ＦＡＦ入力２０２を受信し、ＦＡＦ入力２０２を処理し、ＦＡＦ入力２０２に基づいて病変成長速度１２２を生成するために使用される。ＦＡＦ入力２０２は、図１のＦＡＦ画像１１４などのＦＡＦ画像、または図１の修正ＦＡＦ画像１２０などの前処理されたＦＡＦ画像の形態をとる。

【0046】

ベースアーキテクチャ２００は、例えば、限定されないが、畳み込みニューラルネットワーク２０４、プーリング層２０６、および緻密層２０８を含むことができる。訓練モード１２６において使用される場合、ベースアーキテクチャ２００は、ドロップアウト層２１０も含むことができる。ＧＡ予測ＮＮシステム１２４の畳み込みニューラルネットワーク２０４は、ＦＡＦ入力２０２を受信する。畳み込みニューラルネットワーク２０４は、少なくとも１つの畳み込みニューラルネットワークを含む任意の数または組み合わせのニューラルネットワークから構成されてもよい。畳み込みニューラルネットワーク２０４は、ＦＡＦ入力２０２を使用してＦＡＦ画像処理２０５を行う。畳み込みニューラルネットワーク２０４は、プーリング層２０６に供給される出力２１２を生成する。プーリング層２０６は、１つ以上の異なるおよび／または同じプーリング層を含むことができる。１つ以上の実施形態では、プーリング層２０６は、グローバル平均プーリング層を含む。プーリング層２０６は、緻密層２０８に送られる出力２１４を生成する。

【0047】

緻密層２０８は、１つ以上の異なるおよび／または同じ緻密層を含む。これらの緻密層のそれぞれは、選択された数のノードから構成されてもよい。例えば、緻密層ｄｅｎｓｅ（２５６）は、２５６個のノードから構成される。訓練モード１２６にあるとき、緻密層２０８は、入力としてドロップアウト層２１０に送信される出力２１６を生成するために、その受信した入力に対して１つ以上の動作を実行する。ドロップアウト層２１０は、訓練データセット１３０の過剰適合を低減または防止するのに役立つ１つ以上の動作ドロップアウト層を含むことができる。例えば、ドロップアウト層２１０が使用されて、最終出力である病変成長速度１２２に対するいくつかのノードの寄与を無効にすることができる。予測モード１２８の場合、ドロップアウト層２１０は使用されず、緻密層２０８が病変成長速度１２２を出力する。

【0048】

いくつかの実施形態では、ベースアーキテクチャ２００は、１つ以上の追加の層を含むことができる。例えば、ベースアーキテクチャ２００は、病変面積１２１および病変成長速度１２２を出力するドロップアウト層３１０の後に予測層を含むことができる。この予測層は、例えば、限定されないが、１つのノードからなる緻密層を使用して実装されることができる。他の実施形態では、ベースアーキテクチャ２００は、いくつかの他の数のノードから構成される緻密層を含むことができる。

【0049】

このようにして、ベースアーキテクチャ２００を有するＧＡ予測ＮＮシステム１２４は、ＦＡＦ入力２０２を受信し、自動化されたプロセスを介して、所望のレベルの精度で病変成長速度１２２を出力することができる。例えば、ＧＡ予測ＮＮシステム１２４は、ＧＡ予測ＮＮシステム１２４がＦＡＦ入力２０２に基づいて病変成長速度１２２を効率的かつ正確に出力することを可能にする多数のベースラインＦＡＦ画像（例えば、同じ包含基準を共有する複数の研究から構築された訓練データセットについて）を使用して訓練されていてもよい。

【0050】

図３は、様々な実施形態にかかるマルチタスクアーキテクチャ３００を有するＧＡ予測ＮＮシステム１２４のブロック図である。マルチタスクアーキテクチャ３００を有するＧＡ予測ＮＮシステム１２４は、処理のためにＦＡＦ入力２０２を受信することができる。上述したように、ＦＡＦ入力２０２は、図１のＦＡＦ画像１１４または修正ＦＡＦ画像１２０の形態をとることができる。ＧＡ予測ＮＮシステム１２４は、ＦＡＦ入力２０２を処理して、病変成長速度１２２および病変面積１２１の双方を生成する。１つ以上の実施形態では、病変面積１２１は、ベースライン時点に対する推定ベースライン病変面積である。他の実施形態では、病変面積１２１は、ベースライン時点に対する将来の時点の予測病変面積である。

【0051】

マルチタスクアーキテクチャ３００は、畳み込みニューラルネットワーク３０４と、プーリング層３０６と、緻密層３０８とを含む。訓練モード１２６において使用される場合、マルチタスクアーキテクチャ３００は、ドロップアウト層３１０も含むことができる。様々な実施形態では、畳み込みニューラルネットワーク３０４、プーリング層３０６、緻密層３０８、およびドロップアウト層３１０は、図２の畳み込みニューラルネットワーク２０４、プーリング層２０６、緻密層２０８、およびドロップアウト層２１０とそれぞれ同様の方法で実装される。しかしながら、訓練モード１２６では、ドロップアウト層２１０は、病変面積１２１および病変成長速度１２２の双方を出力する。予測モード１２８では、緻密層２０８は、病変面積１２１および病変成長速度１２２の双方を出力する。

【0052】

畳み込みニューラルネットワーク３０４は、ＦＡＦ入力２０２を受信し、ＦＡＦ入力２０２を使用してＦＡＦ画像処理３１１を実行する。畳み込みニューラルネットワーク３０４は、プーリング層３０６に送られる出力３１２を生成する。プーリング層３０６は、出力３１２を受信し、出力３１２を使用して１つ以上の動作を実行し、緻密層３０８に送信される出力３１４を生成する。

【0053】

いくつかの実施形態では、緻密層３０８は、２つの副層、すなわち、第１の緻密副層３１６（例えば、ｄｅｎｓｅ（２５６））および第２の緻密副層３１８（例えば、ｄｅｎｓｅ（２５６）を含む。さらに、ドロップアウト層３１０はまた、２つの対応する副層、すなわち、第１のドロップアウト副層３２０および第２のドロップアウト副層３２２を含むことができる。第１の緻密副層３１６は、出力３１４を受信し、第１のドロップアウト副層３２０に送られる出力３２４を生成する。第２の緻密副層３１８は、出力３１４を受信し、第２のドロップアウト副層３２２に送られる出力３２６を生成する。第１のドロップアウト副層３２０は、病変面積１２１を出力し、第２のドロップアウト副層３２２は、病変成長面積１２２を出力する。

【0054】

このようにして、マルチタスクアーキテクチャ３００を有するＧＡ予測ＮＮシステム１２４は、ＦＡＦ入力２０２を受信し、自動化プロセスを介して、所望のレベルの精度で病変面積１２１および病変成長速度１２２を出力することができる。例えば、ＧＡ予測ＮＮシステム１２４は、ＧＡ予測ＮＮシステム１２４がＦＡＦ入力２０２に基づいて病変面積１２１および病変成長速度１２２を効率的かつ正確に出力することを可能にする多数のベースラインＦＡＦ画像（例えば、同じ包含基準を共有する複数の研究から構築された訓練データセットについて）を使用して訓練されていてもよい。

【0055】

図４は、様々な実施形態にかかるカスケードアーキテクチャ４００を有するＧＡ予測ＮＮシステム１２４のブロック図である。カスケードアーキテクチャ４００を有するＧＡ予測ＮＮシステム１２４は、処理のためにＦＡＦ入力２０２を受信することができる。上述したように、ＦＡＦ入力２０２は、図１のＦＡＦ画像１１４または修正ＦＡＦ画像１２０の形態をとることができる。ＧＡ予測ＮＮシステム１２４は、ＦＡＦ入力２０２を処理して、病変成長速度１２２および病変面積１２１の双方を生成する。１つ以上の実施形態では、病変面積１２１は、ベースライン時点に対する推定ベースライン病変面積である。他の実施形態では、病変面積１２１は、ベースライン時点に対する将来の時点の予測病変面積である。

【0056】

カスケードアーキテクチャ４００は、面積サブシステム４０１および成長速度サブシステム４０２を含む。面積サブシステム４０１は、病変面積１２１を出力するように訓練される。成長速度サブシステム４０２は、病変成長速度１２２を出力するように訓練される。訓練モード１２６では、面積サブシステム４０１が最初に訓練され、そのパラメータ（例えば、重み）が使用されて成長速度サブシステム４０２を訓練することができる。予測モード１２８では、面積サブシステム４０１によって予測された病変面積１２１が成長速度サブシステム４０２において使用されて、病変成長速度１２２を予測することができる。

【0057】

面積サブシステム４０１は、畳み込みニューラルネットワーク４０４、プーリング層４０６、および緻密層４０８を含む。訓練モード１２６において使用される場合、面積サブシステム４０１は、ドロップアウト層４１０も含むことができる。様々な実施形態では、畳み込みニューラルネットワーク４０４、プーリング層４０６、緻密層４０８、およびドロップアウト層４１０は、図２の畳み込みニューラルネットワーク２０４、プーリング層２０６、緻密層２０８、およびドロップアウト層２１０とそれぞれ同様の方法で実装される。例えば、畳み込みニューラルネットワーク４０４は、ＦＡＦ入力２０２を受信し、ＦＡＦ画像処理４１１を実行して、プーリング層４０６に送られる出力を生成することができ、プーリング層は、出力を緻密層４０８に送る。予測モード１２８では、緻密層４０８は、病変面積１２１を出力する。しかしながら、訓練モード１２６では、緻密層４０８は、病変面積１２１を出力するドロップアウト層４１０に出力を送信する。

【0058】

成長速度サブシステム４０２は、畳み込みニューラルネットワーク４１２、プーリング層４１４、および緻密層４１６を含む。訓練モード１２６において使用される場合、成長速度サブシステム４０２はまた、ドロップアウト層４１８を含むことができる。様々な実施形態では、畳み込みニューラルネットワーク４１２、プーリング層４１４、緻密層４１６、およびドロップアウト層４１０は、図２の畳み込みニューラルネットワーク２０４、プーリング層２０６、緻密層２０８、およびドロップアウト層２１０とそれぞれ同様の方法で実装される。例えば、畳み込みニューラルネットワーク４１２は、ＦＡＦ入力２０２を受信し、ＦＡＦ画像処理４１９を実行して、プーリング層４１４に送られる出力を生成することができ、プーリング層は、出力を緻密層４０８に送る。予測モード１２８では、緻密層４１６は、面積サブシステム４０１によって予測された病変面積１２１を使用して病変成長速度１２２を出力する。訓練モード１２６では、緻密層４１６は、ドロップアウト層４１８に出力を送信し、ドロップアウト層は、面積サブシステム４０１によって予測された病変面積１２１を使用して決定された病変成長速度１２２を出力する。

【0059】

カスケードアーキテクチャ４００を用いて、面積サブシステム４０１の予め訓練されたニューラルネットワークパラメータ（例えば、重み）が訓練によって微調整されて、面積サブシステム４０１が所望のレベルの精度で病変面積１２１を予測することを可能にすることができる。次いで、成長速度サブシステム４０２のパラメータは、面積サブシステム４０１の調整されたパラメータを使用して微調整され、成長速度サブシステム４０２が所望のレベルの精度で病変成長速度１２２を予測することを可能にする。

【0060】

いくつかの実施形態では、このタイプのカスケード経路手法は、訓練モード１２６においてのみ使用される。ＧＡ予測ＮＮシステム１２４がカスケード経路手法を介して訓練されると、ＦＡＦ入力２０２は、面積サブシステム４０１および成長速度サブシステム４０２に供給されてもよく、そのそれぞれは、その対応するＧＡ進行パラメータを独立して予測することができてもよい。

【0061】

このようにして、カスケードアーキテクチャ４００を有するＧＡ予測ＮＮシステム１２４は、ＦＡＦ入力２０２を受信し、自動化されたプロセスを介して、所望のレベルの精度で病変面積１２１および病変成長速度１２２を出力することができる。例えば、ＧＡ予測ＮＮシステム１２４は、ＧＡ予測ＮＮシステム１２４がＦＡＦ入力２０２に基づいて病変面積１２１および病変成長速度１２２を効率的かつ正確に出力することを可能にする多数のベースラインＦＡＦ画像（例えば、同じ包含基準を共有する複数の研究から構築された訓練データセットについて）を使用して訓練されていてもよい。

【0062】

図２のベースアーキテクチャ２００、図３のマルチタスクアーキテクチャ３００、および図４のカスケードアーキテクチャ４００は、図１のＧＡ予測ＮＮシステム１２４のアーキテクチャまたは構成の例である。しかしながら、他の実施形態では、ＧＡ予測ＮＮシステム１２４は、何らかの他のタイプのアーキテクチャまたは構成を有してもよい。

【0063】

図５は、様々な実施形態にかかる地図状萎縮病変を評価するためのプロセス５００のフローチャートである。様々な実施形態では、プロセス５００は、図１に記載の病変評価システム１００を使用して実装される。特に、プロセス５００が使用されて、図１のＧＡ進行パラメータ１１８のセットを予測することができる。

【0064】

ステップ５０２は、網膜の眼底自発蛍光（ＦＡＦ）画像のセットを受信することを含む。網膜は、地図状萎縮、または場合によっては地図状萎縮の前駆期と診断された被験者に属することができる。ＦＡＦ画像のセットは、例えば、単一のベースラインＦＡＦ画像または複数のベースラインＦＡＦ画像を含むことができる。上述したように、ベースラインＦＡＦ画像は、ベースライン時点に対応する。ＦＡＦ画像のセットが複数のベースラインＦＡＦ画像を含む場合、これらのベースラインＦＡＦ画像は、全て、同じまたは実質的に同じ（例えば、同じ時間内、同じ日内、同じ１～３日内など）１つ以上の時点について生成されていてもよい。

【0065】

ステップ５０４は、ＦＡＦ画像のセットを使用して機械学習システム用の入力を生成することを含む。いくつかの実施形態では、ステップ５０４は、入力としてＦＡＦ画像のセットを機械学習システムに直接送信することを含む。他の実施形態では、ステップ５０４は、入力を形成するためにＦＡＦ画像のセットを前処理することによって実行されてもよい。前処理は、ＦＡＦ画像のセットのそれぞれを選択されたサイズにサイズ変更することを含むことができる。選択されるサイズは、例えば、５１２画素×５１２画素であってもよいが、これに限定されない。前処理は、画像（例えば、画素）強度を選択されたスケールに正規化することを含むことができる。選択されたスケールは、例えば、０から１、－１から１、または他の何らかのスケールであってもよいが、これらに限定されない。

【0066】

ステップ５０６は、機械学習システムを介して、入力を使用して網膜における地図状萎縮病変の病変成長速度を予測することを含む。いくつかの実施形態では、病変成長速度は、環状成長速度である。ステップ５０６は、例えば、図１の機械学習システム１１６のＧＡ予測ＮＮシステム１２４を使用して実装されることができる。図２の基本アーキテクチャ２００、図３のマルチタスクアーキテクチャ３００、または図４のカスケードアーキテクチャ４００を有するＧＡ予測ＮＮシステム１２４が使用されて、ステップ５０６を実行することができる。ベースアーキテクチャ２００を用いて、ＧＡ予測ＮＮシステム１２４は、図１および図２から病変成長速度１２２を出力する。ベースアーキテクチャ２００を用いて、ＧＡ予測ＮＮシステム１２４は、入力が病変成長速度１２２を予測するために自動的に処理されるエンドツーエンド予測を提供する。

【0067】

マルチタスクアーキテクチャ３００を用いて、ＧＡ予測ＮＮシステム１２４は、図１および図３から病変成長速度１２２および病変面積１２１の双方を出力する。例えば、マルチタスクアーキテクチャ３００では、ＧＡ予測ＮＮシステム１２４は、マルチパス手法において病変成長速度１２２および病変面積１２１の双方を同時に出力することができる。カスケードアーキテクチャ４００を用いて、ＧＡ予測ＮＮシステム１２４は、図１および図４から病変成長速度１２２および病変面積１２１を出力するが、病変面積１２１が最初に面積サブシステム４０１によって予測され、次いで成長速度サブシステム４０２によって使用されて病変成長速度１２２を予測するようなカスケードパス手法で出力する。換言すれば、カスケードアーキテクチャ４００では、成長速度サブシステム４０２によって予測される病変成長速度１２２は、面積サブシステム４０１によって予測される病変面積１２１に依存する。

【0068】

ＧＡ予測ＮＮシステム１２４のこれらの異なるアーキテクチャのそれぞれを用いて、ＧＡ予測ＮＮシステム１２４は、入力が病変成長速度１２２および／または病変面積１２１を予測するために自動的に処理されるエンドツーエンド予測を提供することができる。予測モードでは人間の介入は必要ない。さらに、出力のスコアリングも特徴抽出も中間ステップとして必要とされない。

【0069】

ステップ５０６において使用される機械学習システムは、病変面積１２１および病変成長速度１２２が少なくとも閾値レベルの精度で予測されることを保証する訓練データセット（例えば、図１の訓練データセット１３０）を使用して訓練されている。病変面積１２１の精度のこの閾値レベルは、例えば、性能メトリック（例えば、ピアソン相関係数の二乗として計算された決定係数（Ｒ^２））に基づいて定義されることができる。例えば、約０．４５以上、約０．４８以上、または約０．５０以上であるＲ^２は、所望の精度レベルを示すことができる。病変成長速度１２２の精度の閾値レベルはまた、例えば、性能メトリック（例えば、ピアソン相関係数の二乗として計算された決定係数（Ｒ^２））に基づいて定義されることができる。例えば、約０．９０以上、約０．９２以上、約０．９４以上、または約０．９５以上であるＲ^２は、所望の精度レベルを示すことができる。

【0070】

図６は、様々な実施形態にかかる地図状萎縮病変を評価するためのプロセス６００のフローチャートである。様々な実施形態では、プロセス６００は、図１に記載の病変評価システム１００を使用して実装される。特に、プロセス６００は、病変成長速度１２２および病変面積１２１を予測するために、図３のマルチタスクアーキテクチャ３００を有するＧＡ予測ＮＮシステム１２４を使用して実装されることができる。

【0071】

ステップ６０２は、網膜の眼底自発蛍光（ＦＡＦ）画像のセットを受信することを含む。網膜は、地図状萎縮、または場合によっては地図状萎縮の前駆期と診断された被験者に属することができる。ＦＡＦ画像のセットは、例えば、単一のベースラインＦＡＦ画像または複数のベースラインＦＡＦ画像を含むことができる。上述したように、ベースラインＦＡＦ画像は、ベースライン時点に対応する。ＦＡＦ画像のセットが複数のベースラインＦＡＦ画像を含む場合、これらのベースラインＦＡＦ画像は、全て、同じまたは実質的に同じ（例えば、同じ時間内、同じ日内、同じ１～３日内など）１つ以上の時点について生成されていてもよい。

【0072】

ステップ６０４は、ＦＡＦ画像のセットを使用して機械学習システム用の入力を生成することを含む。いくつかの実施形態では、ステップ６０４は、入力としてＦＡＦ画像のセットを機械学習システムに直接送信することを含む。他の実施形態では、ステップ６０４は、入力を形成するためにＦＡＦ画像のセットを前処理することによって実行されてもよい。前処理は、ＦＡＦ画像のセットのそれぞれを選択されたサイズにサイズ変更することを含むことができる。選択されるサイズは、例えば、６１２画素×６１２画素であってもよいが、これに限定されない。前処理は、画像（例えば、画素）強度を選択されたスケールに正規化することを含むことができる。選択されたスケールは、例えば、０から１、－１から１、または他の何らかのスケールであってもよいが、これらに限定されない。

【0073】

ステップ６０６は、機械学習システムを介して、入力を使用して網膜における地図状萎縮病変の病変成長速度を予測することを含む。いくつかの実施形態では、図１および図３からの病変成長速度１２２とすることができる病変成長速度は、環状成長速度である。

【0074】

ステップ６０８は、機械学習システムを介して、入力を使用して網膜における地図状萎縮病変の病変面積を予測することを含む。図１および図３からの病変面積１２１とすることができる病変面積は、ベースライン時点のベースライン病変面積とすることができるか、またはベースライン時点後の時点の予測病変面積とすることができる。

【0075】

ステップ６０６および６０８は、例えば、図３のマルチタスクアーキテクチャ３００を有する、図１および図３の機械学習システム１１６のＧＡ予測ＮＮシステム１２４を使用して実装されることができる。マルチタスクアーキテクチャ３００を用いて、ＧＡ予測ＮＮシステム１２４は、病変面積１２１および病変成長速度１２２を並行して（例えば、同時に）予測することができる。いくつかの実施形態では、マルチタスクアーキテクチャは、カスケードアーキテクチャと比較して、訓練にかかる時間が短い（例えば、半分の時間）。さらに、そのようなマルチタスクアーキテクチャを有するニューラルネットワークシステムは、病変面積および病変成長速度の双方を予測するために使用されることができる入力から情報を取り込むことができるため、マルチタスクアーキテクチャは、過適合しにくい可能性がある。

【0076】

図７は、様々な実施形態にかかる地図状萎縮病変を評価するためのプロセス７００のフローチャートである。様々な実施形態では、プロセス７００は、図１に記載の病変評価システム１００を使用して実装される。特に、プロセス７００は、病変成長速度１２２および病変面積１２１を予測するために、図４のカスケードアーキテクチャ４００を有するＧＡ予測ＮＮシステム１２４を使用して実装されることができる。

【0077】

ステップ７０２は、網膜の眼底自発蛍光（ＦＡＦ）画像のセットを受信することを含む。網膜は、地図状萎縮、または場合によっては地図状萎縮の前駆期と診断された被験者に属することができる。ＦＡＦ画像のセットは、例えば、単一のベースラインＦＡＦ画像または複数のベースラインＦＡＦ画像を含むことができる。上述したように、ベースラインＦＡＦ画像は、ベースライン時点に対応する。ＦＡＦ画像のセットが複数のベースラインＦＡＦ画像を含む場合、これらのベースラインＦＡＦ画像は、全て、同じまたは実質的に同じ（例えば、同じ時間内、同じ日内、同じ１～３日内など）１つ以上の時点について生成されていてもよい。

【0078】

ステップ７０４は、ＦＡＦ画像のセットを使用して機械学習システム用の入力を生成することを含む。いくつかの実施形態では、ステップ７０４は、入力としてＦＡＦ画像のセットを機械学習システムに直接送信することを含む。他の実施形態では、ステップ７０４は、入力を形成するためにＦＡＦ画像のセットを前処理することによって実行されてもよい。前処理は、ＦＡＦ画像のセットのそれぞれを選択されたサイズにサイズ変更することを含むことができる。選択されるサイズは、例えば、７１２画素×７１２画素であってもよいが、これに限定されない。前処理は、画像（例えば、画素）強度を選択されたスケールに正規化することを含むことができる。選択されたスケールは、例えば、０から１、－１から１、または他の何らかのスケールであってもよいが、これらに限定されない。

【0079】

ステップ７０６は、機械学習システムを介して、入力を使用して網膜における地図状萎縮病変の病変面積を予測することを含む。図１および図４からの病変面積１２１とすることができる病変面積は、ベースライン時点のベースライン病変面積とすることができるか、またはベースライン時点後の時点の予測病変面積とすることができる。ステップ７０６は、機械学習システムのニューラルネットワークシステムの面積サブシステム（例えば、図４の面積サブシステム４０１）によって実行されてもよい。

【0080】

ステップ７０８は、機械学習システムを介して、機械学習システムによって予測された病変面積を使用して地図状萎縮病変の病変成長速度を予測することを含む。いくつかの実施形態では、図１および図４からの病変成長速度１２２とすることができる病変成長速度は、環状成長速度である。ステップ７０８は、機械学習システムのニューラルネットワークシステムの成長速度サブシステム（例えば、図４の成長速度サブシステム４０２）によって実行されてもよい。様々な実施形態では、成長速度サブシステムは、面積サブシステムからの予め訓練されたパラメータ（例えば、重み）に基づいて訓練される。このようにして、機械学習システムの訓練はカスケード方式で行われる。

【0081】

図８は、様々な実施形態にかかるＧＡ進行パラメータのセットを予測するためのプロセス８００のフローチャートである。プロセス８００は、図１の機械学習システム１１６を使用して実装されることができる。例えば、プロセス８００は、図１の機械学習システム１１６のＧＡ予測ＮＮシステム１２４を使用して実装されることができる。いくつかの実施形態では、ＧＡ予測ＮＮシステム１２４は、図３のマルチタスクアーキテクチャ３００または同様のタイプのマルチタスクアーキテクチャを有する。他の実施形態では、ＧＡ予測ＮＮシステム１２４は、図３のマルチタスクアーキテクチャ３００または同様のタイプのマルチタスクアーキテクチャを有する。

【0082】

ステップ８０２は、複数のＦＡＦ画像を含むデータセットにアクセスすることを含む。このデータセットは、例えば、データベース、クラウドストレージ、または何らかの他の種類のストレージからアクセスされてもよい。データセットは、例えば、臨床試験または研究などの複数のソースからのＦＡＦ画像を含むことができる。これらの選択された臨床試験または研究は、同じ（または実質的に同じまたは類似の）包含基準を有する。データセットは、両側性地図状萎縮症と診断された被験者のＦＡＦ画像を含むことができる。

【0083】

ステップ８０４は、複数のＦＡＦ画像から訓練データセットおよびホールドアウトデータセットを形成することを含む。例えば、限定されないが、データセットの約８０％が使用されて訓練データセットを形成することができ、データセットの約２０％が使用されてホールドアウトセットを形成することができる。訓練およびホールドアウトの双方のために複数のＦＡＦ画像から選択されたＦＡＦ画像は、ベースラインＦＡＦ画像であってもよい。いくつかの実施形態では、ステップ８０４は、ＦＡＦ画像を前処理すること（例えば、サイズ変更、正規化）を含む。いくつかの実施形態では、ステップ８０４は、訓練のために選択された各ＦＡＦ画像を増強または修正して、１つ以上の修正されたＦＡＦ画像を生成することを含む。したがって、元のＦＡＦ画像および１つ以上の修正画像は、訓練のためのＦＡＦ画像の群を形成する。例えば、元のＦＡＦ画像は、フリップされたＦＡＦ画像を形成するために水平方向にフリップされ、回転されたＦＡＦ画像を形成するために回転され、輝度調整されたＦＡＦ画像を形成するために輝度に対して調整され、コントラスト調整されたＦＡＦ画像を形成するためにコントラストに対して調整されてもよい。元のＦＡＦ画像、フリップされたＦＡＦ画像、回転されたＦＡＦ画像、輝度調整された画像、およびコントラスト調整された画像は、全て、訓練データセットに追加されることができる。

【0084】

ステップ８０６は、訓練データセットを使用してＧＡ進行パラメータシステムのセットを予測するようにニューラルネットワークを訓練することを含む。ＧＡ進行パラメータのセットは、病変面積および病変成長速度を含む。訓練は、異なる方法で実行されてもよい。ニューラルネットワークシステムがマルチタスクアーキテクチャを有する場合、病変面積および病変成長速度の予測のための訓練が並行して（例えば、同時に）行われることができる。ニューラルネットワークシステムが面積サブシステムおよび成長速度サブシステムの双方を有するカスケードアーキテクチャを有する場合、病変面積の予測のための面積サブシステムの訓練が最初に行われて、面積サブシステムのパラメータの第１のセットを特定することができる。次いで、この第１のパラメータセットが使用されて、病変成長速度の予測のために成長速度サブシステムを訓練することができる。

【0085】

ステップ８０８は、ホールドアウトデータセットを使用して、訓練されたニューラルネットワークシステムの性能を検証することを含む。この検証は、ニューラルネットワークシステムが所望のレベルの精度でＧＡ進行パラメータのセットを予測することができることを保証する。

【0086】

ステップ８１０は、訓練されたニューラルネットワークシステムを介して、被験者について取得されたベースラインＦＡＦ画像のセットを使用して、被験者についてのＧＡ進行パラメータのセットを予測することを含む。ステップ８１０は、病変面積および病変成長領域を予測することを含む。

【0087】

ステップ８１２は、予測されたＧＡ進行パラメータのセットに基づいて出力を生成することを含む。ステップ８１２は、少なくとも１つのＧＡ進行パラメータを使用して決定または判定を行うことを含むことができる。例えば、ステップ８１２において生成される出力は、視覚出力（例えば、視覚的アラート、視覚的通知、レポートなど）、可聴出力（例えば、可聴警報、可聴通知、トーンなど）、または被験者を臨床試験に登録するかどうかの決定、最初の治療用量に対する用量の決定、治療の用量間の間隔の決定、何らかの他の種類の臨床決定、またはそれらの組み合わせを示す何らかの他の種類の出力とすることができる。

【0088】

図９は、様々な実施形態にかかるＧＡ進行パラメータのセットを予測するためのプロセス９００のフローチャートである。様々な実施形態では、プロセス８００は、図１の機械学習システム１１６を使用して実装されることができる。例えば、プロセス８００は、図１の機械学習システム１１６のＧＡ予測ＮＮシステム１２４を使用して実装されることができる。

【0089】

ステップ９０２は、コンピューティングシステムにおいて、眼底自発蛍光（ＦＡＦ）画像のセットにアクセスすることを含む。コンピューティングシステムは、例えば、以下の図１のコンピューティングプラットフォーム１０２または図１４のコンピュータシステム１４００とすることができる。ＦＡＦ画像のセットは、異なる訪問時に１人以上の被験者に対して生成されたＦＡＦ画像を含むことができる。所与の被験者について、ＦＡＦ画像のセットは、ベースライン訪問のベースラインＦＡＦ画像および被験者の少なくとも１回のフォローアップ訪問からのＦＡＦ画像を含むことができる。

【0090】

ステップ９０４は、ＦＡＦ画像のセットの画像からＧＡ進行メトリックを導出することを含む。ＧＡ進行メトリックは、例えば、病変成長速度とすることができる。ステップ９０４は、例えば、線形モデルを各被験者の推定病変面積測定値に適合させることによって実行されることができる。

【0091】

ステップ９０６は、被験者のＦＡＦ画像にアクセスすることを含む。ステップ９０６においてアクセスされるＦＡＦ画像は、被験者のベースラインＦＡＦ画像とすることができる。

【0092】

ステップ９０８は、ＦＡＦ画像およびＧＡ進行メトリックから被験者特異的な病変面積を予測することを含む。ステップ９０８は、深層学習を使用して実行されることができる。病変面積は、将来のある時点（例えば、ベースライン時点から６ヶ月後、１年後、または２年後）について予測されることができる。

【0093】

ステップ９１０は、予測された病変面積から病変成長速度の被験者特異的予測を出力することを含む。ステップ９１０は、深層学習を使用して実行されることができる。

【0094】

ＩＩＩ．実施例／結果
図１０は、様々な実施形態にかかる３つの異なるタイプの機械学習モデルの性能を示す表である。表１０００は、図２のベースアーキテクチャ２００などのベースアーキテクチャを有する深層学習ニューラルネットワークシステムを有するベースモデル１００２、図３のマルチタスクアーキテクチャ３００などのマルチタスクアーキテクチャを有する深層学習ニューラルネットワークシステムを有するマルチタスクモデル１００４、および図４のカスケードアーキテクチャ４００などのカスケードアーキテクチャを有する深層学習ニューラルネットワークシステムを有するカスケードモデル１００６の訓練後の性能を示す。

【0095】

ベースモデル１００２、マルチタスクモデル１００４、およびカスケードモデル１００６は、選択されたＧＡ治療のための３つの別々の臨床試験から取得されたベースラインＦＡＦ画像から導かれる訓練データセットを使用して訓練された。これらの３つの臨床試験は、ヘルシンキ宣言の趣旨に沿い、医療保険の携行性および説明責任に関する法律に準拠していた。各臨床試験のプロトコルは、被験者を臨床試験に登録するために使用されたのと同じ包含基準を使用して含まれた。臨床試験に登録した全ての被験者は、両側性ＧＡと診断されていた。

【0096】

３つの臨床試験において撮像されたＦＡＦ画像は、７６８画素×７６８画素のサイズを有する黄斑中心の３０度ＦＡＦ画像であった。ＦＡＦ画像は、各被験者について、２年間の範囲内で２４週間ごとに撮像された。病変面積（ｍｍ^２）は、各回のヒト悪性腫瘍医（例えば、訓練された専門家、および場合によっては裁定者を含む）の来院ごとに決定された。病変成長速度（ｍｍ^２／年）は、２年間にわたる病変面積測定に適合した線形モデルから導出された。２年間の３つの臨床試験にわたる病変成長速度は、０．１５ｍｍ^２／年から５．９８ｍｍ^２／年の範囲であった。２年間にわたる３つの臨床試験にわたる病変面積は、２．５４ｍｍ^２から１７．７８ｍｍ^２の範囲であった。

【0097】

この例示的研究では、３つの臨床試験からの１３１２人の被験者のベースラインＦＡＦ画像が使用され、１０４７人の被験者のベースラインＦＡＦ画像が訓練データセットに使用され、２６５人の被験者のベースラインＦＡＦ画像がモデル調整のためのホールドアウトデータセットに使用された。訓練データセットは、交差検証のために５つの折り畳みにさらに分割され、分割はベースライン因子（例えば、性別、病変面積、病変成長速度、中心窩病変、病変隣接性、多病巣性、最良矯正視力（ＢＣＶＡ）測定、および低輝度欠損）についてバランスがとられていた。

【0098】

例示的研究では、訓練およびモデル調整の前に、ベースラインＦＡＦ画像が前処理された。ベースラインＦＡＦ画像が５１２画素×５１２画素にサイズ変更された。画像（例えば、画素）強度が０から１のスケールに正規化された。このサイズ変更および正規化は、評価されている３つのモデルのそれぞれの性能を改善するために選択された。この例示的研究では、前処理は、訓練データセットを増強することをさらに含んでいた。例えば、訓練データセット内の各ベースラインＦＡＦ画像が水平方向に反転され、回転させ（例えば、約－５度から５度の間）、ランダムな明るさに調整され、ランダムなコントラストに調整されて、４つの追加のベースラインＦＡＦ画像を生成した。したがって、各被験者について、合計５つのベースラインＦＡＦ画像（元の画像および４つの修正画像）が訓練に使用された。そのような増強は、ホールドアウトデータセットのベースラインＦＡＦ画像の性能ではなかった。

【0099】

モデルハイパーパラメータの調整は、５倍交差検証（ＣＶ）手法を使用して行われた。モデルハイパーパラメータが選択された後、各モデルが完全な訓練データセットに対して再訓練され、次いでホールドアウトデータセット対して予測するために使用された。表１０００に示す３つのモデルの訓練性能は、５倍のＲ^２として与えられ、ホールドアウト性能は、Ｒ^２として与えられる。表１０００に示すように、訓練データセットでは、カスケードモデル１００６は、病変成長速度を予測するために、ベースモデル１００２およびマルチタスクモデル１００４よりも良好に機能した。ホールドアウトデータセットでは、カスケードモデル１００６およびマルチタスクモデル１００４の双方が、双方の病変成長速度を予測するためのベースモデル１００２の性能よりも優れた同様の性能を有していた。病変面積については、カスケードモデル１００６およびマルチタスクモデル１００４の双方が、訓練データセットおよびホールドアウトデータセットの双方について同様の性能を有していた。

【0100】

図１１は、様々な実施形態にかかる予測される病変成長速度対真の病変成長速度の回帰プロット図である。プロット１１００は、予測病変成長速度に対応するｘ軸１１０２と、真の病変成長速度に対応するｙ軸１１０４とを有する。プロット１１００は、図１０のマルチタスクモデル１００４を使用して、ホールドアウトセットについての予測病変成長速度対真の病変成長速度を示す散布図である。

【0101】

図１２は、様々な実施形態にかかる予測される病変面積対真の病変面積の回帰プロット図である。プロット１２００は、予測病変面積に対応するｘ軸１２０２と、真の病変面積に対応するｙ軸１２０４とを有する。プロット１２００は、図１０のマルチタスクモデル１００４を使用して設定されたホールドアウトについての予測病変面積対真の病変面積を示す散布図である。

【0102】

図１３は、様々な実施形態にかかる病変成長速度および病変面積の双方を予測する際のマルチタスクモデルの訓練性能を示す表である。マルチタスクモデルは、例えば図３のマルチタスクアーキテクチャ３００などのマルチタスクアーキテクチャを有するニューラルネットワークシステムを含む機械学習モデルである。図１３において評価された同じマルチタスクモデルのホールドアウトの性能は、病変面積予測のＲ^２が０．９６、病変成長速度のＲ^２が０．４８（範囲０．４１～０．５５）であった。

【0103】

ＩＶ．コンピュータ実装システム
図１４は、様々な実施形態にかかるコンピュータシステムのブロック図である。コンピュータシステム１４００は、図１において上述したコンピューティングプラットフォーム１０２についての一実装の例とすることができる。

【0104】

１つ以上の例では、コンピュータシステム１４００は、情報を通信するためのバス１４０２または他の通信機構と、情報を処理するためのバス１４０２に結合されたプロセッサ１４０４とを含むことができる。様々な実施形態では、コンピュータシステム１４００はまた、プロセッサ１４０４によって実行される命令を決定するためにバス１４０２に結合された、ランダムアクセスメモリ（ＲＡＭ）１４０６または他の動的ストレージデバイスとすることができるメモリを含むことができる。メモリはまた、プロセッサ１４０４によって実行される命令の実行中に一時変数または他の中間情報を記憶するために使用されることができる。様々な実施形態では、コンピュータシステム１４００は、プロセッサ１４０４のための静的情報および命令を記憶するためにバス１４０２に結合された読み出し専用メモリ（ＲＯＭ）１４０８または他の静的ストレージデバイスをさらに含むことができる。磁気ディスクまたは光ディスクなどのストレージデバイス１４１０が設けられ、情報および命令を記憶するためにバス１４０２に結合されることができる。

【0105】

様々な実施形態では、コンピュータシステム１４００は、バス１４０２を介して、コンピュータユーザに情報を表示するために、陰極線管（ＣＲＴ）または液晶ディスプレイ（ＬＣＤ）などのディスプレイ１４１２に結合されることができる。英数字および他のキーを含む入力デバイス１４１４は、情報およびコマンド選択をプロセッサ１４０４に通信するためにバス１４０２に結合されることができる。別のタイプのユーザ入力デバイスは、プロセッサ１４０４に方向情報およびコマンド選択を通信し、ディスプレイ１４１２上のカーソル移動を制御するための、マウス、ジョイスティック、トラックボール、ジェスチャ入力デバイス、視線ベースの入力デバイス、またはカーソル方向キーなどのカーソルコントロール１４１６である。この入力デバイス１４１４は、典型的には、デバイスが平面内の位置を指定することを可能にする第１の軸（例えば、ｘ）および第２の軸（例えば、ｙ）の２軸の２自由度を有する。しかしながら、３次元（例えば、ｘ、ｙ、およびｚ）カーソル移動を可能にする入力デバイス１４１４も本明細書で企図されることを理解されたい。

【0106】

本教示の特定の実施と一致して、結果は、ＲＡＭ１４０６に含まれる１つ以上の命令の１つ以上のシーケンスを実行するプロセッサ１４０４に応答して、コンピュータシステム１４００によって提供されることができる。そのような命令は、ストレージデバイス１４１０などの別のコンピュータ可読媒体またはコンピュータ可読記憶媒体からＲＡＭ１４０６に読み込まれることができる。ＲＡＭ１４０６に含まれる命令のシーケンスの実行は、プロセッサ１４０４に本明細書に記載のプロセスを実行させることができる。あるいは、本教示を実装するために、ソフトウェア命令の代わりに、またはソフトウェア命令と組み合わせて、ハードワイヤード回路が使用されることができる。したがって、本教示の実装形態は、ハードウェア回路とソフトウェアとの特定の組み合わせに限定されない。

【0107】

本明細書において使用される「コンピュータ可読媒体」、（例えば、データストア、データストレージ、ストレージデバイス、データストレージデバイスなど）、または「コンピュータ可読記憶媒体」という用語は、実行のためにプロセッサ１４０４に命令を提供することに関与する任意の媒体を指す。そのような媒体は、不揮発性媒体、揮発性媒体、および伝送媒体を含むがこれらに限定されない多くの形態をとることができる。不揮発性媒体の例は、これらに限定されないが、ストレージデバイス１４１０などの光学、固体、磁気ディスクを含むことができる。揮発性媒体の例は、これに限定されないが、ＲＡＭ１４０６などのダイナミックメモリを含むことができる。伝送媒体の例は、これらに限定されないが、バス１４０２を備えるワイヤを含む、同軸ケーブル、銅線、および光ファイバを含むことができる。

【0108】

コンピュータ可読媒体の一般的な形態は、例えば、フロッピーディスク、フレキシブルディスク、ハードディスク、磁気テープ、または任意の他の磁気媒体、ＣＤ－ＲＯＭ、任意の他の光学媒体、パンチカード、紙テープ、孔のパターンを有する任意の他の物理媒体、ＲＡＭ、ＰＲＯＭ、およびＥＰＲＯＭ、フラッシュＥＰＲＯＭ、任意の他のメモリチップまたはカートリッジ、またはコンピュータが読み取ることができる任意の他の有形媒体を含む。

【0109】

コンピュータ可読媒体に加えて、命令またはデータは、実行のためにコンピュータシステム１４００のプロセッサ１４０４に１つ以上の命令のシーケンスを提供するために、通信装置またはシステムに含まれる伝送媒体上の信号として提供されることができる。例えば、通信装置は、命令およびデータを示す信号を有するトランシーバを含むことができる。命令およびデータは、１つ以上のプロセッサに、本明細書の開示に概説される機能を実装させるように構成される。データ通信伝送接続の代表的な例は、これらに限定されないが、電話モデム接続、ワイドエリアネットワーク（ＷＡＮ）、ローカルエリアネットワーク（ＬＡＮ）、赤外線データ接続、ＮＦＣ接続、光通信接続等を含むことができる。

【0110】

本明細書に記載されるフローチャート、図、および付随する開示は、コンピュータシステム１４００をスタンドアロンデバイスとして使用して、またはクラウドコンピューティングネットワークなどの共有コンピュータ処理リソースの分散ネットワーク上で実装されることができることを理解されたい。

【0111】

本明細書に記載される方法論は、用途に応じて様々な手段によって実装されることができる。例えば、これらの方法は、ハードウェア、ファームウェア、ソフトウェア、またはそれらの任意の組み合わせで実装されることができる。ハードウェア実装の場合、処理ユニットは、１つ以上の特定用途向け集積回路（ＡＳＩＣ）、デジタル信号プロセッサ（ＤＳＰ）、デジタル信号処理デバイス（ＤＳＰＤ）、プログラマブルロジックデバイス（ＰＬＤ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プロセッサ、コントローラ、マイクロコントローラ、マイクロプロセッサ、電子デバイス、本明細書に記載された機能を実行するように設計された他の電子ユニット、および／またはそれらの組み合わせ内に実装されることができる。

【0112】

様々な実施形態では、本教示の方法は、Ｃ、Ｃ＋＋、Ｐｙｔｈｏｎなどのような従来のプログラミング言語で書かれたファームウェアおよび／またはソフトウェアプログラムおよびアプリケーションとして実装されてもよい。ファームウェアおよび／またはソフトウェアとして実装される場合、本明細書に記載される実施形態は、コンピュータに上述した方法を実行させるためのプログラムが記憶された非一時的コンピュータ可読媒体上に実装されることができる。本明細書に記載の様々なエンジンは、コンピュータシステム１４００などのコンピュータシステム上に設けられることができ、プロセッサ１４０４は、メモリ構成要素ＲＡＭ１４０６、ＲＯＭ１４０８、またはストレージデバイス１４１０のいずれか、またはそれらの組み合わせによって提供される命令、および入力デバイス１４１４を介して提供されるユーザ入力を受ける、これらのエンジンによって提供される分析および決定を実行することを理解されたい。

【0113】

Ｖ．例示的な定義
本開示は、これらの例示的な実施形態および用途、または例示的な実施形態および用途が本明細書で動作するまたは説明される方法に限定されない。さらに、図は、簡略化されたまたは部分的な図を示すことができ、図の要素の寸法は、誇張されているか、または比例していない場合がある。

【0114】

特に定義されない限り、本明細書に記載される本教示に関連して使用される科学用語および技術用語は、当業者によって一般的に理解される意味を有するものとする。さらに、文脈上別段の必要がない限り、単数形の用語には複数形が含まれ、複数形の用語には単数形が含まれるものとする。一般に、化学、生化学、分子生物学、薬理学および毒物学に関連して利用される命名法およびその技術は、本明細書に記載されており、当該技術分野において周知であり、一般的に使用されるものである。

【0115】

本明細書では、「の上にある（ｏｎ）」、「に取り付けられている（ａｔｔａｃｈｅｄ ｔｏ）」、「に接続されている（ｃｏｎｎｅｃｔｅｄ ｔｏ）」、「に結合されている（ｃｏｕｐｌｅｄ ｔｏ）」という用語または同様の用語が使用される場合、一方の要素が他方の要素の上に直接あるか、他方の要素に直接取り付けられているか、他方の要素に接続されているか、または他方の要素に結合されているか、または一方の要素と他方の要素との間に１つ以上の介在要素が存在するかにかかわらず、一方の要素（例えば、構成要素、材料、層、基板など）は、他方の要素「の上にある」、「に取り付けられている」、「に接続されている」、または「に結合されている」ことができる。さらに、要素のリスト（例えば、要素ａ、ｂ、ｃ）が参照される場合、そのような参照は、それ自体で列挙された要素のいずれか１つ、列挙された要素の全てよりも少ない要素の任意の組み合わせ、および／または列挙された要素の全ての組み合わせを含むことが意図される。本明細書におけるセクションの区分は、単に検討を容易にするためのものであり、説明された要素の任意の組み合わせを限定するものではない。

【0116】

用語「被験者」は、臨床試験の被験者、治療を受けている人、抗癌療法を受けている人、寛解または回復について監視されている人、（例えば、その病歴に起因して）予防健康分析を受けている人、または関心のある任意の他の人もしくは患者を指すことができる。様々な場合では、「被験者」および「患者」は、本明細書において交換可能に使用されることができる。

【0117】

本明細書で使用される場合、「実質的に」は、意図された目的のために機能するのに十分であることを意味する。したがって、「実質的に」という用語は、当業者によって予想されるが、全体的な性能にそれほど影響しないような、絶対的または完全な状態、寸法、測定値、結果などからの微細な、僅かな変動を考慮する。数値、または数値として表されることのできるパラメータもしくは特性に関して使用される場合、「実質的に」とは、１０パーセント以内を意味する。

【0118】

「複数」という用語は、２つ以上を意味する。

【0119】

本明細書で使用される場合、「複数」という用語は、２、３、４、５、６、７、８、９、１０以上とすることができる。

【0120】

本明細書において使用される場合、「のセット」という用語は、１つ以上を意味する。例えば、項目のセットは、１つ以上の項目を含む。

【0121】

本明細書において使用される場合、「少なくとも１つ」という語句は、項目のリストとともに使用される場合、列挙された項目のうちの１つ以上の異なる組み合わせが使用されてもよく、リスト内の項目のうちの１つのみが必要であってもよいことを意味する。項目は、特定の物体、物、ステップ、動作、プロセス、またはカテゴリとすることができる。換言すれば、「のうちの少なくとも１つ」は、リストから項目の任意の組み合わせまたは任意の数の項目が使用されることができるが、リスト内の項目の全てが必要とされるわけではないことを意味する。例えば、限定されないが、「項目Ａ、項目Ｂ、または項目Ｃのうちの少なくとも１つ」は、項目Ａ、項目Ａおよび項目Ｂ、項目Ｂ、項目Ａ、項目Ｂ、および項目Ｃ、項目Ｂおよび項目Ｃ、または項目ＡおよびＣを意味する。場合によっては、「項目Ａ、項目Ｂ、または項目Ｃの少なくとも１つ」は、限定されないが、項目Ａのうちの２つ、項目Ｂのうちの１つ、および項目Ｃのうちの１０個、項目Ｂのうちの４個と項目Ｃのうちの７個、またはいくつかの他の適切な組み合わせを意味する。

【0122】

本明細書において使用される場合、「モデル」は、１つ以上のアルゴリズム、１つ以上の数学的技法、１つ以上の機械学習アルゴリズム、またはそれらの組み合わせを含むことができる。

【0123】

本明細書において使用される場合、「機械学習」は、アルゴリズムを使用してデータを解析し、そこから学習し、次いで世界の何かについての決定または予測を行う実践とすることができる。機械学習は、ルールベースのプログラミングに依存することなくデータから学習することができるアルゴリズムを使用する。

【0124】

本明細書で使用される場合、「人工ニューラルネットワーク」または「ニューラルネットワーク」（ＮＮ）は、計算に対する接続論的手法に基づいて情報を処理する人工ノードまたはニューロンの相互接続されたグループを模倣する数学的アルゴリズムまたは計算モデルを指すことができる。ニューラルネットと呼ばれることもあるニューラルネットワークは、非線形ユニットの１つ以上の層を使用して、受信した入力の出力を予測することができる。いくつかのニューラルネットワークは、出力層に加えて１つ以上の隠れ層を含む。各隠れ層の出力は、ネットワーク内の次の層、すなわち、次の隠れ層または出力層への入力として使用される。ネットワークの各層は、各パラメータのセットの現在の値にしたがって、受信した入力から出力を生成する。様々な実施形態では、「ニューラルネットワーク」への言及は、１つ以上のニューラルネットワークへの言及とすることができる。

【0125】

ニューラルネットワークは、２つの方法で情報を処理することができる：それが訓練されているとき、それは訓練モードにあり、それが学習したことを実際に実行するとき、それは推論（または予測）モードにある。ニューラルネットワークは、出力が訓練データの出力と一致するように、ネットワークが中間隠れ層内の個々のノードの重み係数を調整する（その挙動を修正する）ことを可能にするフィードバックプロセス（例えば、バックプロパゲーション）を通じて学習する。換言すれば、ニューラルネットワークは、訓練データ（学習例）を供給されることによって学習し、最終的には、新たな範囲または入力のセットが提示された場合であっても、正しい出力に到達する方法を学習する。ニューラルネットワークは、例えば、限定されないが、フィードフォワードニューラルネットワーク（ＦＮＮ）、リカレントニューラルネットワーク（ＲＮＮ）、モジュラーニューラルネットワーク（ＭＮＮ）、畳み込みニューラルネットワーク（ＣＮＮ）、残差ニューラルネットワーク（ＲｅｓＮｅｔ）、常微分方程式ニューラルネットワーク（ニューラル－ＯＤＥ）、または別のタイプのニューラルネットワークのうちの少なくとも１つを含むことができる。

【0126】

本明細書において使用される場合、「病変」は、損傷または疾患を介して損傷を受けた臓器または組織の領域とすることができる。この領域は、連続的または不連続的な領域とすることができる。例えば、本明細書において使用される場合、病変は、複数の領域を含むことができる。地図状萎縮（ＧＡ）病変は、慢性進行性変性を患っている網膜の領域である。本明細書において使用される場合、ＧＡ病変は、１つの病変（例えば、１つの連続病変領域）または複数の病変（例えば、複数の別個の病変からなる不連続病変領域）を含むことができる。

【0127】

本明細書において使用される場合、「病変面積」は、その病変が連続領域であるか不連続領域であるかにかかわらず、病変によって覆われる総面積とすることができる。

【0128】

本明細書で使用される場合、「長期的」は、ある期間にわたることを指すことができる。期間は、日、週、月、年、または他の何らかの時間尺度とすることができる。

【0129】

本明細書で使用される場合、ＧＡ病変に対応する「成長速度」は、ＧＡ病変の病変面積の長期的な変化とすることができる。換言すれば、「成長速度」は、病変面積の経時的な変化とすることができる。場合によっては、この成長速度は、年間成長速度であってもよい。この成長速度は、病変成長速度またはＧＡ成長速度とも呼ばれることがある。

【0130】

ＶＩ．さらなる考察
この文書のセクションとサブセクションとの間のヘッダおよび／またはサブヘッダは、単に読みやすさを改善する目的で含まれており、セクションとサブセクションとにわたって特徴を組み合わせることができないことを意味するものではない。したがって、セクションおよびサブセクションは、別個の実施形態を説明しない。

【0131】

本教示は、様々な実施形態に関連して説明されているが、本教示がそのような実施形態に限定されることは意図されていない。逆に、本教示は、当業者によって理解されるように、様々な代替物、改変物、および均等物を包含する。本説明は、好ましい例示的な実施形態を提供し、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本説明は、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。したがって、そのような変更および変形は、添付の特許請求の範囲に記載された範囲内にあると考えられる。さらに、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。

【0132】

様々な実施形態を説明することにおいて、本明細書は、特定の一連のステップとして方法および／またはプロセスを提示している場合がある。しかしながら、方法またはプロセスが本明細書に記載の特定の順序のステップに依存しない限り、方法またはプロセスは、記載の特定の順序のステップに限定されるべきではなく、当業者は、順序が変更されてもよく、依然として様々な実施形態の趣旨および範囲内にあることを容易に理解することができる。

【0133】

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、命令を含む非一時的コンピュータ可読記憶媒体であって、命令が、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、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。

【0134】

実施形態の理解を提供するために、本明細書では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る。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4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【国際調査報告】