特表2024-516541ベースライン特性を使用する血管新生型加齢黄斑変性に対する処置予後予測
(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】2024-04-16
(54)【発明の名称】ベースライン特性を使用する血管新生型加齢黄斑変性に対する処置予後予測
(51)【国際特許分類】
A61B 3/10 20060101AFI20240409BHJP
A61P 27/02 20060101ALN20240409BHJP
A61K 39/395 20060101ALN20240409BHJP
【ＦＩ】
A61B3/10 100
A61P27/02
A61K39/395 M
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2023561274
(86)(22)【出願日】2022-04-07
(85)【翻訳文提出日】2023-11-22
(86)【国際出願番号】 US2022023931
(87)【国際公開番号】W WO2022217001
(87)【国際公開日】2022-10-13
(31)【優先権主張番号】63/172,063
(32)【優先日】2021-04-07
(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】アネゴンディ， ネハ ステークシュナ
(72)【発明者】
【氏名】タイ， チエン
(72)【発明者】
【氏名】カウチンスキー， マイケル グレッグ
(72)【発明者】
【氏名】キクチ， ユウスケ アレクサンダー
【テーマコード（参考）】
4C085
4C316
【Ｆターム（参考）】
4C085AA14
4C085CC23
4C085EE01
4C316AA09
4C316AA13
4C316AA25
4C316AB02
4C316AB11
4C316AB16
(57)【要約】
処置予後を予測するための方法およびシステムが提供される。対象の網膜に関する３次元撮像データが受信される。深層学習システムおよび３次元撮像データを使用して第１の出力が生成される。第１の出力およびベースラインデータは記号モデルのための入力として受信される。記号モデルにより、入力を使用して、血管新生型加齢黄斑変性（ｎＡＭＤ）の処置を受けている対象に対する処置予後が予測される。
【選択図】図１
【選択図】図１
【特許請求の範囲】
【請求項1】
処置予後を予測するための方法であって、対象の網膜に関する３次元撮像データを受信することと、
深層学習システムおよび前記３次元撮像データを使用して第１の出力を生成することと、
記号モデルのための入力として前記第１の出力およびベースラインデータを受信することと、
前記記号モデルにより、前記入力を使用して、血管新生型加齢黄斑変性（ｎＡＭＤ）の処置を受けている前記対象に対する処置予後を予測することとを含む、方法。
【請求項2】
前記３次元撮像データは光干渉断層撮影（ＯＣＴ）撮像データを含む、請求項１に記載の方法。
【請求項3】
前記ベースラインデータは、属性データ、ベースライン視力測定値、ベースライン中心領域網膜厚測定値、ベースライン低輝度欠損、または処置群のうちの少なくとも１つを含む、請求項１または２に記載の方法。
【請求項4】
前記属性データは年齢または性別のうちの少なくとも１つを含む、請求項３に記載の方法。
【請求項5】
前記処置予後は、予測された視力測定値、予測された視力の変化、予測された中心領域網膜厚、または中心領域網膜厚の予測された減少のうちの少なくとも１つを含む、請求項１から４のいずれか一項に記載の方法。
【請求項6】
前記ベースラインデータはベースライン視力測定値を含み、前記第１の出力を使用して前記ベースライン視力測定値を特定することをさらに含む、請求項１から５のいずれか一項に記載の方法。
【請求項7】
前記処置予後は、ベースライン時点後ｎカ月目で予測され、前記ｎカ月目は、前記ベースライン時点後の３カ月～３０カ月のひと月として選択される、請求項１から６のいずれか一項に記載の方法。
【請求項8】
前記処置は、血管内皮増殖因子を対象にしたモノクローナル抗体およびアンジオポイエチン２阻害薬を含む、請求項１から７のいずれか一項に記載の方法。
【請求項9】
前記処置はファリシマブを含む、請求項１から８のいずれか一項に記載の方法。
【請求項10】
血管新生型加齢黄斑変性（ｎＡＭＤ）の処置を受けている対象に対する処置予後を予測するための方法であって、深層学習システム、および前記対象の網膜に関する３次元撮像データを使用して第１の予測された予後を生成することと、
記号モデル、および前記対象に関するベースラインデータを使用して第２の予測された予後を生成することと、
前記第１の予測された予後および前記第２の予測された予後を使用して前記ｎＡＭＤの処置を受けている前記対象に対する前記処置予後を予測することとを含む、方法。
【請求項11】
前記予測することは、前記第１の予測された処置予後および前記第２の予測された処置予後の加重平均として前記処置予後を予測することを含む、請求項１０に記載の方法。
【請求項12】
前記３次元撮像データは光干渉断層撮影（ＯＣＴ）撮像データを含む、請求項１０または１１に記載の方法。
【請求項13】
前記ベースラインデータは、属性データ、ベースライン視力測定値、ベースライン中心領域網膜厚測定値、ベースライン低輝度欠損、または処置群のうちの少なくとも１つを含む、請求項１０から１２のいずれか一項に記載の方法。
【請求項14】
前記属性データは年齢または性別のうちの少なくとも１つを含む、請求項１３に記載の方法。
【請求項15】
前記第１の予測された処置予後、前記第２の予測された処置予後、および前記処置予後のそれぞれは、予測された視力測定値、予測された視力の変化、予測された中心領域網膜厚、または中心領域網膜厚の予測された減少のうちの少なくとも１つを含む、請求項１０から１４のいずれか一項に記載の方法。
【請求項16】
血管新生型加齢黄斑変性（ｎＡＭＤ）と診断された対象に対する抗血管内皮増殖因子（抗ＶＥＧＦ）処置を管理するためのシステムであって、機械実行可能コードを含む機械可読媒体を含有するメモリと、
前記メモリに結合されたプロセッサとを備え、前記プロセッサは、前記プロセッサに、
対象の網膜に関する３次元撮像データを受信することと、
深層学習システムおよび前記３次元撮像データを使用して第１の出力を生成することと、
記号モデルのための入力として前記第１の出力およびベースラインデータを受信することと、
前記記号モデルにより、前記入力を使用して、血管新生型加齢黄斑変性（ｎＡＭＤ）の処置を受ける前記対象に対する処置予後を予測することとを行わせる前記機械実行可能コードを実行するように構成される、システム。
【請求項17】
前記３次元撮像データは光干渉断層撮影（ＯＣＴ）撮像データを含む、請求項１６に記載のシステム。
【請求項18】
前記ベースラインデータは、属性データ、ベースライン視力測定値、ベースライン中心領域網膜厚測定値、ベースライン低輝度欠損、または処置群のうちの少なくとも１つを含む、請求項１６または１７に記載のシステム。
【請求項19】
前記処置予後は、予測された視力測定値、予測された視力の変化、予測された中心領域網膜厚、または中心領域網膜厚の予測された減少のうちの少なくとも１つを含む、請求項１６から１８のいずれか一項に記載のシステム。
【請求項20】
前記処置はファリシマブを含む、請求項１６から１８のいずれか一項に記載のシステム。【発明の詳細な説明】
【技術分野】
【0001】
発明者：
Ｎｅｈａ Ａｎｅｇｏｎｄｉ、Ｊｉａｎ Ｄａｉ、Ｍｉｃｈａｅｌ Ｋａｗｃｚｙｎｓｋｉ、Ｙｕｓｕｋｅ Ｋｉｋｕｃｈｉ
関連出願の相互参照
本出願は、２０２１年４月７日に出願された「Ｔｒｅａｔｍｅｎｔ Ｏｕｔｃｏｍｅ Ｐｒｅｄｉｃｔｉｏｎ ｆｏｒ Ｎｅｏｖａｓｃｕｌａｒ Ａｇｅ－Ｒｅｌａｔｅｄ Ｍａｃｕｌａｒ Ｄｅｇｅｎｅｒａｔｉｏｎ ｕｓｉｎｇ Ｂａｓｅｌｉｎｅ Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ」という名称の米国仮特許出願第６３／１７２，０６３号の優先権を主張するものであり、この出願全体が参照により本明細書に組み込まれている。
Ｎｅｈａ Ａｎｅｇｏｎｄｉ、Ｊｉａｎ Ｄａｉ、Ｍｉｃｈａｅｌ Ｋａｗｃｚｙｎｓｋｉ、Ｙｕｓｕｋｅ Ｋｉｋｕｃｈｉ
関連出願の相互参照
本出願は、２０２１年４月７日に出願された「Ｔｒｅａｔｍｅｎｔ Ｏｕｔｃｏｍｅ Ｐｒｅｄｉｃｔｉｏｎ ｆｏｒ Ｎｅｏｖａｓｃｕｌａｒ Ａｇｅ－Ｒｅｌａｔｅｄ Ｍａｃｕｌａｒ Ｄｅｇｅｎｅｒａｔｉｏｎ ｕｓｉｎｇ Ｂａｓｅｌｉｎｅ Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ」という名称の米国仮特許出願第６３／１７２，０６３号の優先権を主張するものであり、この出願全体が参照により本明細書に組み込まれている。
【0002】
本明細書は、一般に、加齢黄斑変性と診断された対象の処置予後を予測することを対象とする。より具体的には、本明細書は、対象に対して特定されたベースラインデータを使用して血管新生型加齢黄斑変性（ｎＡＭＤ）と診断された対象の処置予後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】
加齢黄斑変性（ＡＭＤ）は、黄斑と呼ばれる、眼の網膜の中心領域に影響を及ぼす疾患である。ＡＭＤは、５０歳以上の対象における視力喪失の主な原因である。血管新生型ＡＭＤ（ｎＡＭＤ）は、ＡＭＤの２つの進行期のうちの１つである。ｎＡＭＤでは、新しく異常な血管が黄斑の下で制御不能に増殖する。この種の増殖は、腫脹、出血、線維症、他の問題、またはそれらの組み合わせを引き起こし得る。ｎＡＭＤの処置は、典型的には、抗血管内皮増殖因子（抗ＶＥＧＦ）療法（例えば、ラニビズマブなどの抗ＶＥＧＦ薬）を含む。そのような処置に対する網膜の応答は、少なくとも部分的に対象特異的であり、その結果、異なる対象は、同じタイプの抗ＶＥＧＦ薬に対して異なって応答し得る。さらに、抗ＶＥＧＦ療法は、典型的には硝子体内注射によって投与されるが、これは高価であり、それ自体が合併症（例えば、失明）を引き起こす可能性がある。
【発明の概要】
【0004】
１つまたは複数の実施形態では、処置予後を予測するための方法が提供される。対象の網膜に関する３次元撮像データが受信される。深層学習システムおよび３次元撮像データを使用して第１の出力が生成される。第１の出力およびベースラインデータは記号モデルのための入力として受信される。記号モデルにより、入力を使用して血管新生型加齢黄斑変性（ｎＡＭＤ）の処置を受けている対象に対する処置予後が予測される。
【0005】
１つまたは複数の実施形態では、血管新生型加齢黄斑変性（ｎＡＭＤ）の処置を受けている対象に対する処置予後を予測するための方法が提供される。第１の予測された予後は、深層学習システム、および対象の網膜に関する３次元撮像データを使用して生成される。第２の予測された予後は、記号モデル、および対象に関するベースラインデータを使用して生成される。第１の予測された予後および第２の予測された予後を使用してｎＡＭＤの処置を受けている対象に対する処置予後が予測される。
【0006】
１つまたは複数の実施形態では、血管新生型加齢黄斑変性（ｎＡＭＤ）と診断された対象に対する抗血管内皮増殖因子（抗ＶＥＧＦ）処置を管理するためのシステムは、機械実行可能コードを含む機械可読媒体を含有するメモリと、メモリに結合されたプロセッサとを備える。プロセッサは、対象の網膜に関する３次元撮像データを受信することと、深層学習システムおよび３次元撮像データを使用して第１の出力を生成することと、記号モデルのための入力として第１の出力およびベースラインデータを受信することと、記号モデルにより、入力を使用して、血管新生型加齢黄斑変性（ｎＡＭＤ）の処置を受けている対象に対する処置予後を予測することとをプロセッサに行わせる機械実行可能コードを実行するように構成される。
【0007】
いくつかの実施形態では、１つまたは複数のデータプロセッサと、１つまたは複数のデータプロセッサ上で実行されるとき、本明細書に開示された１つまたは複数の方法の一部または全部を１つまたは複数のデータプロセッサに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システムが提供される。
【0008】
いくつかの実施形態では、非一時的機械可読記憶媒体に有形に具現化され、かつ１つまたは複数のデータプロセッサに、本明細書に開示された１つまたは複数の方法の一部または全部を実行させるように構成される命令を含む、コンピュータプログラム製品が提供される。
【0009】
本開示のいくつかの実施形態は、１つまたは複数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つまたは複数のデータプロセッサ上で実行されると、１つまたは複数のデータプロセッサに、本明細書に開示された１つまたは複数の方法の一部もしくは全部および／または１つまたは複数のプロセスの一部もしく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つまたは複数のデータプロセッサに、本明細書に開示された１つまたは複数の方法の一部もしくは全部および／または１つまたは複数のプロセスの一部もしく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。
【0010】
用いら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、示されかつ説明された特徴のいかなる均等物またはその部分も除外する意図はなく、特許請求された発明の範囲内でさまざまな修正が可能であることが認識される。
【0011】
よって、特許請求された本発明は、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修正および変形は、当業者によって使用されてもよく、そのような修正および変形は、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は理解されるべきである。
【0012】
本明細書に開示された原理およびそれらの利点をさらに詳しく理解するために、ここで、添付の図面と併せて以下の説明を参照されたい。
【図面の簡単な説明】
【0013】
【図1】さまざまな実施形態による予測システムのブロック図である。
【図2】さまざまな実施形態による処置予後を予測するためのプロセスのフローチャートである。
【図3】さまざまな実施形態による処置予後を予測するためのプロセスのフローチャートである。
【図4】さまざまな実施形態による処置予後を予測するためのプロセスのフローチャートである。
【図5】１つまたは複数の実施形態による処置予後を予測する際のモデルスタッキングおよびモデル平均化アプローチに関する性能データを示す表である。
【図6】１つまたは複数の実施形態による処置予後を予測する際のモデルスタッキングおよびモデル平均化アプローチに関する性能データを示す表である。
【図7】１つまたは複数の実施形態によるコンピュータシステムのブロック図である。
【発明を実施するための形態】
【0014】
図は必ずしも縮尺通りに描かれているわけではなく、図内の物体は必ずしも互いに縮尺通りに描かれているわけではないことを理解されたい。図は、本明細書に開示された装置、システム、および方法のさまざまな実施形態に明確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るべきである。
【0015】
Ｉ．概要
加齢黄斑変性（ＡＭＤ）処置への、および、多くの場合、とりわけ、血管新生型ＡＭＤ（ｎＡＭＤ）処置への対象の応答を判定することは、対象の視力応答、対象の中心窩厚の減少、またはその両方を判定することを含み得る。対象の視力は、対象が所与の距離で文字または数字を判別する能力によって測定され得る、対象の視覚の鮮明度である。視力は、しばしば、視力検査によって確認され、標準的なスネレン視力表に従って測定される。網膜画像は、対象の視力を推定するために使用され得る情報を提供し得る。例えば、光干渉断層撮影（ＯＣＴ）画像を使用して、ＯＣＴ画像が取り込まれた時点での対象の視力を推定し得る。中心領域網膜厚（ＣＳＴ）とも称される中心窩厚は、中心の直径１ｍｍの領域における平均黄斑厚として定義され得る。ＣＳＴはまた、ＯＣＴ画像を使用して測定されてよい。
加齢黄斑変性（ＡＭＤ）処置への、および、多くの場合、とりわけ、血管新生型ＡＭＤ（ｎＡＭＤ）処置への対象の応答を判定することは、対象の視力応答、対象の中心窩厚の減少、またはその両方を判定することを含み得る。対象の視力は、対象が所与の距離で文字または数字を判別する能力によって測定され得る、対象の視覚の鮮明度である。視力は、しばしば、視力検査によって確認され、標準的なスネレン視力表に従って測定される。網膜画像は、対象の視力を推定するために使用され得る情報を提供し得る。例えば、光干渉断層撮影（ＯＣＴ）画像を使用して、ＯＣＴ画像が取り込まれた時点での対象の視力を推定し得る。中心領域網膜厚（ＣＳＴ）とも称される中心窩厚は、中心の直径１ｍｍの領域における平均黄斑厚として定義され得る。ＣＳＴはまた、ＯＣＴ画像を使用して測定されてよい。
【0016】
しかしながら、例えば臨床治験など、ある特定の場合には、ＡＭＤ処置（例えば、ｎＡＭＤ処置）への対象の将来の応答を予測することができることが望ましい場合がある。例えば、対象の視力が処置後の選択された期間（例えば、処置後６カ月、処置後９カ月、処置後１２カ月、処置後２４カ月など）に改善しているかどうかを予測することが望ましい場合がある。さらに、任意のそのような視力の改善を分類することが望ましい場合がある。場合によっては、対象がＣＳＴの減少（例えば、何らかのＣＳＴの減少、または選択された閾値を上回る減少）を経験することになるかどうかを予測することが望ましい場合がある。そのような予測および分類は、所与の対象に対して個別化される処置レジメンを可能にし得る。例えば、特定のＡＭＤ処置に対する対象の視力応答に関する予測を使用して、注射投与量、注射が行われる間隔、またはその両方をカスタマイズし得る。さらに、そのような予測は、処置にあまり応答しないと予測された対象の除外を可能にすることによって、臨床治験スクリーニング、事前スクリーニング、またはその両方を改善し得る。
【0017】
よって、本明細書に説明されるさまざまな実施形態は、ＡＭＤ処置（例えば、ｎＡＭＤ処置）に応答して対象に対する処置予後を予測するための方法およびシステムを提供する。とりわけ、ベースラインデータは、記号モデルに入力され、そのような処置を受けた対象の予後を予測するために使用される。予後は、例えば、限定はされないが、予測された視力測定値、予測された視力の変化、予測された中心領域網膜厚、中心領域網膜厚の予測された減少、またはこれらの組み合わせを含み得る。いくつかの実施形態では、記号モデルに送られた入力は、ベースラインデータ、および、３次元撮像データ（例えば、ＯＣＴ撮像データ）に基づいて生成された出力（例えば、先に生成された予測された予後）の両方を含む。例えば、ＯＣＴ撮像データは、ベースラインデータと組み合わせられる予測された予後を生成するために深層学習システムにより処理され得る。このように、ベースラインデータおよびこの予測された予後は、記号モデルに送られる入力を形成するために融合される。
【0018】
他の実施形態では、記号モデルは、ベースラインデータを使用して第１の出力を生成するために使用されてよく、深層学習システムは、３次元撮像データを使用して第２の出力を生成するために使用される。これら２つの出力は、予測された処置予後を含むまたは示す予後出力を形成するために、組み合わせ、融合、あるいは統合される。例えば、第１の出力および第２の出力は、それぞれ、第１の予測された予後および第２の予測された予後であってよい。これら２つの予測された予後の加重平均（例えば、等しく重み付けされた平均）は、対象に対する最終処置予後として使用され得る。
【0019】
上述された改善を提供することができる方法およびシステムの重要性および有用性を認識しかつ考慮に入れて、本明細書に説明される実施形態は、ＡＭＤ処置（例えば、ｎＡＭＤ処置）への視力応答を予測するための方法およびシステムを提供する。より具体的には、本明細書に説明される実施形態は、ベースライン時点後の選択された時点（例えば、６カ月、９カ月、１２カ月、２４カ月など）でｎＡＭＤ処置を受けている対象の処置予後を予測するために記号モデルを使用してベースラインデータを処理するための方法およびシステムを提供する。ベースライン時点は、例えば、限定はされないが、処置の１日目であってよい。本明細書に説明される方法およびシステムを使用することは、ｎＡＭＤ処置を受けている対象の処置予後を予測するために必要とされる全体的な計算資源および／または時間を低減する技術的効果を有し得る。さらに、該方法およびシステムを使用することによって、対象の処置予後を、他の方法およびシステムと比較して、より効率的にかつ精確に予測することが可能になり得る。
【0020】
さらに、本明細書に説明される実施形態は、個々の対象についての個別化された処置レジメンの作成を容易にして、適切な投与量および／または処置投与（例えば、注射）間の間隔を確実にし得る。とりわけ、本明細書に説明される実施形態は、精確で効率的で便宜的な個別化された処置または投与スケジュールの生成に役立つ場合があり、臨床コホート選択または臨床治験設計を向上させ得る。
【0021】
ＩＩ．血管新生型加齢黄斑変性（ｎＡＭＤ）処置予後の予測
ＩＩ．Ａ．ＡＭＤ処置予後を予測するための例示的な予測システム
図１は、さまざまな実施形態による予測システム１００のブロック図である。予測システム１００は、ＡＭＤ処置に関して１人または複数人の対象の処置予後を予測するために使用される。ｎＡＭＤ処置であり得るＡＭＤ処置は、例えば、限定はされないが、抗ＶＥＧＦ処置、抗体処置、別のタイプの処置、またはこれらの組み合わせを含み得る。抗ＶＥＧＦ処置は、例えば、硝子体内注射によって投与され得るラニビズマブを含んでよい。抗体処置は、例えば、血管内皮増殖因子（ＶＥＧＦ）を対象にしたモノクローナル抗体処置およびアンジオポイエチン２阻害薬であってよい。１つまたは複数の実施形態では、抗体処置はファリシマブを含む。
ＩＩ．Ａ．ＡＭＤ処置予後を予測するための例示的な予測システム
図１は、さまざまな実施形態による予測システム１００のブロック図である。予測システム１００は、ＡＭＤ処置に関して１人または複数人の対象の処置予後を予測するために使用される。ｎＡＭＤ処置であり得るＡＭＤ処置は、例えば、限定はされないが、抗ＶＥＧＦ処置、抗体処置、別のタイプの処置、またはこれらの組み合わせを含み得る。抗ＶＥＧＦ処置は、例えば、硝子体内注射によって投与され得るラニビズマブを含んでよい。抗体処置は、例えば、血管内皮増殖因子（ＶＥＧＦ）を対象にしたモノクローナル抗体処置およびアンジオポイエチン２阻害薬であってよい。１つまたは複数の実施形態では、抗体処置はファリシマブを含む。
【0022】
予測システム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はさまざまな形態を取ってよい。１つまたは複数の実施形態では、コンピューティングプラットフォーム１０２は、単一のコンピュータ（もしくはコンピュータシステム）または互いに通信する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取る。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は、モバイルコンピューティングプラットフォーム（例えば、スマートフォン、タブレット、スマートウォッチなど）の形態を取る。
【0023】
データストレージ１０４および表示システム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、表示システム１０６、またはこの両方は、コンピューティングプラットフォーム１０２の一部と見なされ得るあるいはこれと統合され得る。よって、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、および表示システム１０６は、互いに通信する別個の構成要素であり得るが、他の例では、これらの構成要素の何らかの組み合わせが統合される場合がある。
【0024】
予測システム１００は、ハードウェア、ソフトウェア、ファームウェア、またはこれらの組み合わせを使用して実装され得るデータアナライザ１０８を含む。１つまたは複数の実施形態では、データアナライザ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。データアナライザ１０８は、予後出力１１４を予測する（または生成する）ためにモデルシステム１１２を使用して入力のセット１１０を処理する。
【0025】
モデルシステム１１２は、任意の数の人工知能モデルもしくは機械学習モデルまたは人工知能モデルもしくは機械学習モデルの任意の組み合わせを含み得る。１つまたは複数の実施形態では、モデルシステム１１２は、第１の予後予測モデル１１６および第２の予後予測モデル１１８を含む。１つまたは複数の実施形態では、第１の予後予測モデル１１６は、例えば、１つまたは複数のニューラルネットワークを含み得る深層学習システムを含み、これらの１つまたは複数のニューラルネットワークのうちの少なくとも１つは、深層学習ニューラルネットワーク（または深層ニューラルネットワーク）（ＤＮＮ）である。１つまたは複数の実施形態では、第２の予後予測モデル１１８は記号モデルを含み、記号モデルは、記号学習または記号推論を使用する１つまたは複数のモデルを含む。例えば、第２の予後予測モデル１１８は、限定はされないが、線形モデル、ランダムフォレストモデル、極度勾配ブースティング（ＸＧＢｏｏｓｔ）アルゴリズム、または別のタイプのモデルもしくはアルゴリズムのうちの少なくとも１つを含んでよい。
【0026】
１つまたは複数の実施形態では、モデルシステム１１２に送られる入力のセット１１０は、１つまたは複数の通信リンク（例えば、有線通信リンク、無線通信リンク、光通信リンクなど）にわたって予測システム１００の外部のソースから少なくとも部分的に受信され得る。１つまたは複数の実施形態では、入力のセット１１０は、データストレージ１０４から少なくとも部分的に検索される。
【0027】
モデルシステム１１２に対する入力のセット１１０はベースラインデータ１２０を含んでよい。１つまたは複数の実施形態では、入力のセット１１０はさらに３次元撮像データ１２２を含んでよい。ベースラインデータ１２０はベースライン時点で得られるデータを含む。ベースライン時点は、例えば、処置より前の時点、または第１の処置投与（例えば、処置の１日目）と同時の時点であってよい。
【0028】
ベースラインデータは、例えば、限定はされないが、属性データ、ベースライン視力測定値、ベースラインＣＳＴ測定値、ベースライン低輝度欠損（ＬＬＤ）、処置群、または何か他のタイプのベースライン測定値のうちの少なくとも１つを含んでよい。属性データは、例えば、限定はされないが、年齢、性別、または別のタイプの属性メトリックを含んでよい。ベースライン視力測定値は、例えば、最高矯正視力（ＢＣＶＡ）測定値であってよい。ベースラインＣＳＴ測定値は、例えば、単位がマイクロメートルであってよい。ＬＬＤは、ベースラインＢＣＶＡ測定値とベースライン低輝度視力（ＬＬＶＡ）測定値との間の差異であってよい。
【0029】
３次元撮像データ１２２は、ＯＣＴ撮像データ、ＯＣＴ画像（例えば、ＯＣＴ ｅｎ－ｆａｃｅ画像）から抽出されたデータ、ＯＣＴ画像から抽出された表形式データ、何か他の形態の撮像データ、またはこれらの組み合わせを含んでよい。ＯＣＴ撮像データは、例えば、スペクトル領域ＯＣＴ（ＳＤ－ＯＣＴ）Ｂスキャンを含み得る。３次元撮像データ１２２は、対象に対する、処置より前のまたは第１の処置投与と同時のベースライン時点での撮像データであり得る。
【0030】
モデルシステム１１２は、ｎＡＭＤ処置を受けたまたは受けることになる対象に対する少なくとも１つの処置予後１２４を予測するために入力のセット１１０を処理する。処置予後１２４は、例えば、限定はされないが、予測された視力測定値（例えば、予測されたＢＣＶＡ）、予測された視力の変化（例えば、予測されたＢＣＶＡの変化）、予測されたＣＳＴ、ＣＳＴの予測された減少、または処置を受けている対象の何か他のタイプの処置予後を含み得る。処置予後１２４はベースライン時点後の選択された時点で生成されてよい。例えば、処置予後１２４は、ベースライン時点後ｎカ月目で予測されてよく、ｎカ月目は、ベースライン時点後の３カ月～３０カ月のひと月として選択される。１つまたは複数の実施形態では、処置予後１２４は、限定はされないが、処置後、６カ月、９カ月、１２カ月、２４カ月、または何らかの他の時間などの時間について予測され得る。モデルシステム１１２が処置予後１２４を予測するためにどのように使用できるのかに関する例については、以下の図２～図４でより詳細に説明する。
【0031】
データアナライザ１０８は、予後出力１１４を形成するために処置予後１２４を使用し得る。予後出力１１４は、例えば、処置予後１２４を含んでよい。１つまたは複数の実施形態では、予後出力１１４は、処置後の複数の時点での複数の処置予後（例えば、６カ月の処置予後、９カ月の処置予後、および１２カ月の処置予後）を含む。
【0032】
１つまたは複数の実施形態では、予後出力１１４は、処置予後１２４に基づいて生成された他の情報を含む。例えば、予後出力１１４は、予測された処置予後１２４に基づいて所与の対象についての個別化された処置レジメンを含んでよい。いくつかの例では、予後出力１１４は、カスタマイズされた注射投与量、注射が行われる１つまたは複数の間隔、またはこの両方を含んでよい。予後出力１１４は、場合によっては、対象が処置に対する所望の応答を有さないことになることを示す予測された処置予後１２４に基づいて、対象に投与される処置のタイプを変更するまたは補足するための指示を含んでよい。このように、予後出力１１４は、処置管理全体を改善するために使用され得る。
【0033】
１つまたは複数の実施形態では、予後出力１１４の少なくとも一部分、または予後出力１１４の少なくとも一部分のグラフ表示は、ディスプレイシステム１０６上に表示される。いくつかの実施形態では、予後出力１１４の少なくとも一部分、または予後出力１１４の少なくとも一部分のグラフ表示は、リモートデバイス１２６（例えば、モバイルデバイス、ラップトップ、サーバ、クラウドなど）に送られる。
【0034】
ＩＩ．Ｂ．ＡＭＤ処置予後を予測するための例示的な方法
図２は、さまざまな実施形態による処置予後を予測するためのプロセス２００のフローチャートである。１つまたは複数の実施形態では、プロセス２００は、図１に説明される予測システム１００を使用して実施される。
図２は、さまざまな実施形態による処置予後を予測するためのプロセス２００のフローチャートである。１つまたは複数の実施形態では、プロセス２００は、図１に説明される予測システム１００を使用して実施される。
【0035】
ステップ２０２は、対象の網膜に関する３次元撮像データを受信することを含む。図１における３次元撮像データ１２２は、ステップ２０２における３次元撮像データの実装形態の１つの例であり得る。３次元撮像データは、ＯＣＴ撮像データ、ＯＣＴ画像（例えば、ＯＣＴ ｅｎ－ｆａｃｅ画像）から抽出されたデータ、ＯＣＴ画像から抽出された表形式データ、何か他の形態の撮像データ、またはこれらの組み合わせを含んでよい。ＯＣＴ撮像データは、例えば、スペクトル領域ＯＣＴ（ＳＤ－ＯＣＴ）Ｂスキャンを含み得る。３次元撮像データは、対象に対する、処置より前のまたは第１の処置投与と同時のベースライン時点での撮像データであり得る。
【0036】
ステップ２０４は、深層学習システムおよび３次元撮像データを使用して第１の出力を生成することを含む。図１に説明される第１の予後予測モデル１１６は、ステップ２０４において使用される深層学習システムの実装形態の１つの例であり得る。深層学習システムは、１つまたは複数のニューラルネットワークで構成されてよい。１つまたは複数の実施形態では、ステップ２０４で生成された第１の出力は予測された予後（例えば、予測された処置予後）である。例えば、深層学習システムは、対象に対するベースライン時点で生成された１つまたは複数のＯＣＴ画像に基づいて処置予後を予測するように訓練されていてよい。
【0037】
ステップ２０６は、記号モデルのための入力として第１の出力およびベースラインデータを受信することを含む。図１に説明される第２の予後予測モデル１１８は、ステップ２０６において使用される記号モデルの実装形態の１つの例であり得る。記号モデルは、例えば、線形モデル、ランダムフォレストモデル、ＸＧＢｏｏｓｔアルゴリズム、または別のタイプの記号学習モデルのうちの少なくとも１つを使用して実装されてよい。図１におけるベースラインデータ１２０は、ステップ２０６におけるベースラインデータの実装形態の１つの例であり得る。ベースラインデータは、例えば、属性データ（例えば、年齢、性別など）、ベースライン視力測定値（例えば、ベースラインＢＣＶＡ）、ベースライン中心領域網膜厚（ＣＳＴ）測定値、ベースライン低輝度欠損（ＬＬＤ）、または処置群のうちの少なくとも１つを含んでよい。
【0038】
ステップ２０８は、記号モデルにより、入力を使用して、血管新生型加齢黄斑変性（ｎＡＭＤ）の処置を受けている対象に対する処置予後を予測すること（または生成すること）を含む。処置予後は、例えば、限定はされないが、予測された視力測定値（例えば、予測されたＢＣＶＡ）、予測された視力の変化、予測されたＣＳＴ、ＣＳＴの予測された減少、または処置に対する対象の応答の別の指標のうちの少なくとも１つを含んでよい。ステップ２０８において予測される処置予後は、限定はされないが、処置後、６カ月、９カ月、１２カ月、２４カ月、または何らかの他の時間など、処置後の選択された時点でのものであってよい。
【0039】
さまざまな実施形態では、ステップ２０８で予測された（または生成された）処置予後は、対象の視力の予測される変化を特定する値またはスコアである視力応答（ＶＡＲ）出力を含む。例えば、ＶＡＲ出力は、予測された改善（例えば、文字の改善）のレベルまたは低下（例えば、視力喪失）のレベルに関して対象の視力応答を分類する値またはスコアであり得る。１つの具体例として、ＶＡＲ出力は、後に処理され、かつ複数の異なるクラスのＢＣＶＡ変化のうちの１つに属すると特定されるＢＣＶＡの予測される数値変化であってよく、ＢＣＶＡ変化のそれぞれのクラスは、異なる範囲の文字の改善に対応する。別の例として、ＶＡＲ出力は、予測された変化クラス自体であってよい。さらに他の例では、ＶＡＲ出力は、視力の他の何らかの尺度の予測される変化であってよい。他の実施形態では、ＶＡＲ出力は、予測される視力の変化に到達するために１つまたは複数の追加の処理ステップを必要とする値または表現出力であってよい。例えば、ＶＡＲ出力は、処置後のある期間での（例えば、９カ月での、１２カ月での）対象の予測される将来のＢＣＶＡであってよい。追加の１つまたは複数の処理ステップは、予測された将来のＢＣＶＡとベースラインＢＣＶＡとの間の差を計算して、予測された視力の変化を判定することを含み得る。
【0040】
プロセス２００は、オプションとしてステップ２１０を含んでよい。ステップ２１０は、処置予後に基づいて予後出力を生成することを含む。図１における予後出力１１４は、ステップ２１０における予後出力の実装形態の１つの例であり得る。予後出力は、例えば、処置予後、または処置後の複数の時点での複数の処置予後（例えば、６カ月の処置予後、９カ月の処置予後、および１２カ月の処置予後）を含み得る。
【0041】
１つまたは複数の実施形態では、予後出力は、処置予後に基づいて生成された他の情報を含む。例えば、予後出力は、予測された処置予後に基づいて所与の対象についての個別化された処置レジメンを含んでよい。いくつかの例では、予後出力は、カスタマイズされた注射投与量、注射が行われる１つまたは複数の間隔、またはこの両方を含んでよい。予後出力は、場合によっては、対象が処置に対する所望の応答を有さないことになることを示す予測された処置予後に基づいて、対象に投与される処置のタイプを変更するまたは補足するための指示を含んでよい。このように、予後出力は、処置管理全体を改善するために使用され得る。
【0042】
【0043】
ステップ３０２は、深層学習システム、および対象の網膜の３次元撮像データを使用して第１の出力を生成することを含む。図１における３次元撮像データ１２２は、ステップ３０２における３次元撮像データの実装形態の１つの例であり得る。３次元撮像データは、ＯＣＴ撮像データ、ＯＣＴ画像（例えば、ＯＣＴ ｅｎ－ｆａｃｅ画像）から抽出されたデータ、ＯＣＴ画像から抽出された表形式データ、何か他の形態の撮像データ、またはこれらの組み合わせを含んでよい。ＯＣＴ撮像データは、例えば、スペクトル領域ＯＣＴ（ＳＤ－ＯＣＴ）Ｂスキャンを含み得る。３次元撮像データは、対象に対する、処置より前のまたは第１の処置投与と同時のベースライン時点での画像データであり得る。
【0044】
ステップ３０２における第１の出力は、第１の予測された予後（第１の予測された処置予後）を含み得る。例えば、深層学習システムは、３次元撮像データに基づいて第１の予測された予後を生成するように訓練され得る。
【0045】
ステップ３０４は、記号モデルおよびベースラインデータを使用して第２の出力を生成することを含む。図１におけるベースラインデータ１２０は、ステップ３０４におけるベースラインデータの実装形態の１つの例であり得る。ベースラインデータは、例えば、属性データ（例えば、年齢、性別など）、ベースライン視力測定値（例えば、ベースラインＢＣＶＡ）、ベースライン中心領域網膜厚（ＣＳＴ）測定値、ベースライン低輝度欠損（ＬＬＤ）、または処置群のうちの少なくとも１つを含んでよい。
【0046】
ステップ３０４における第２の出力は、第２の予測された予後（第２の予測された処置予後）を含み得る。例えば、記号モデルは、ベースラインデータに基づいて第２の予測された予後を生成するように訓練され得る。図１に説明される第２の予後予測モデル１１８は、ステップ３０４において使用される記号モデルの実装形態の１つの例であり得る。記号モデルは、例えば、線形モデル、ランダムフォレストモデル、ＸＧＢｏｏｓｔアルゴリズム、または別のタイプの記号学習モデルのうちの少なくとも１つを使用して実装されてよい。
【0047】
ステップ３０６は、第１の出力および第２の出力を使用してｎＡＭＤの処置を受けている対象に対する処置予後を予測することを含む。１つまたは複数の実施形態では、ステップ３０６は、第１の出力（例えば、第１の予測された予後）および第２の出力（例えば、第２の予測された予後）の加重平均（例えば、等しく重み付けされた平均）として処置予後を予測することを含む。いくつかの実施形態では、深層学習システムによって生成された第１の予測された予後は、記号モデルによって生成された第２の予測された予後を上回って重み付けされ得る。他の実施形態では、記号モデルによって生成された第２の予測された予後は、深層学習システムによって生成された第１の予測された予後を上回って重み付けされ得る。
【0048】
プロセス３００は、オプションとしてステップ３０８を含んでよい。ステップ３０８は、処置予後に基づいて予後出力を生成することを含み得る。図１における予後出力１１４は、ステップ３０８における予後出力の実装形態の１つの例であり得る。予後出力は、例えば、処置予後、または処置後の複数の時点での複数の処置予後（例えば、６カ月の処置予後、９カ月の処置予後、および１２カ月の処置予後）を含み得る。
【0049】
１つまたは複数の実施形態では、予後出力は、処置予後に基づいて生成された他の情報を含む。例えば、予後出力は、予測された処置予後に基づいて所与の対象についての個別化された処置レジメンを含んでよい。いくつかの例では、予後出力は、カスタマイズされた注射投与量、注射が行われる１つまたは複数の間隔、またはこの両方を含んでよい。予後出力は、場合によっては、対象が処置に対する所望の応答を有さないことになることを示す予測された処置予後に基づいて、対象に投与される処置のタイプを変更するまたは補足するための指示を含んでよい。このように、予後出力は、処置管理全体を改善するために使用され得る。
【0050】
【0051】
ステップ４０２は、記号モデルのための入力としてベースラインデータを受信することを含む。図１におけるベースラインデータ１２０は、ステップ４０２におけるベースラインデータの実装形態の１つの例であり得る。さらに、図１に説明される第２の予後予測モデル１１８は、ステップ２０６において使用される記号モデルの実装形態の１つの例であり得る。記号モデルは、例えば、線形モデル、ランダムフォレストモデル、ＸＧＢｏｏｓｔアルゴリズム、または別のタイプの記号学習モデルのうちの少なくとも１つを使用して実装されてよい。１つまたは複数の実施形態では、ベースラインデータはベースライン視力測定値（例えば、ベースラインＢＣＶＡ）を含む。このベースライン視力測定値は、３次元撮像データ（例えば、ＯＣＴ撮像データ）および深層学習システムを使用して生成されていてよい。
【0052】
ステップ４０４は、記号モデルを使用してベースラインデータを処理することを含む。記号モデルは、ベースラインデータを処理するために任意の数のシンボリック人工知能学習方法を使用し得る。いくつかの実施形態では、ステップ４０４は、ベースラインデータ、および別のシステム（例えば、深層学習システム）から受信された先に生成された処置予後を処理することを含む。
【0053】
ステップ４０６は、記号モデルにより、ベースラインデータの処理に基づいてｎＡＭＤの処置を受けている対象に対する処置予後を予測することを含む。図１における予後出力１２４は、処置予後の実装形態の１つの例であり得る。
【0054】
ＩＩＩ．例示的な実験データ
ｎＡＭＤ処置（例えば、ファリシマブ）によって処置された１８５個の眼からのデータを使用して第１の研究が行われた。このデータは、４つのファリシマブ処置群にランダム化された対象についてＡＶＥＮＵＥ臨床治験（ＮＣＴ０２４８４６９０）から得られた。特定の眼に関するデータは、ベースラインデータおよび処置後データを含んだ。ベースラインデータは、属性データ（年齢、性別）、ベースラインＢＣＶＡ、ベースラインＣＳＴ、低輝度欠損、および処置群を含んだ。データはさらに、眼のＳＤ－ＯＣＴ撮像データ（例えば、Ｂスキャン）を含んだ。処置後データは、処置後９カ月目のＣＳＴの完全なＢＣＶＡデータを含んだ。データは、訓練データ８０％および試験データ２０％に別れた。
ｎＡＭＤ処置（例えば、ファリシマブ）によって処置された１８５個の眼からのデータを使用して第１の研究が行われた。このデータは、４つのファリシマブ処置群にランダム化された対象についてＡＶＥＮＵＥ臨床治験（ＮＣＴ０２４８４６９０）から得られた。特定の眼に関するデータは、ベースラインデータおよび処置後データを含んだ。ベースラインデータは、属性データ（年齢、性別）、ベースラインＢＣＶＡ、ベースラインＣＳＴ、低輝度欠損、および処置群を含んだ。データはさらに、眼のＳＤ－ＯＣＴ撮像データ（例えば、Ｂスキャン）を含んだ。処置後データは、処置後９カ月目のＣＳＴの完全なＢＣＶＡデータを含んだ。データは、訓練データ８０％および試験データ２０％に別れた。
【0055】
処置予後は、深層学習システム（例えば、図１における第１の予後予測モデル１１６の実装形態の一例）およびさまざまな記号モデル（例えば、図１における第２の予後予測モデル１１８の実装形態の例）を使用して予測された。処置予後は、機能的および解剖学的の２つのやり方で定義された。処置予後の機能的部分はＶＡＲ出力（例えば、９カ月目のＢＣＶＡ文字スコア）を含んだ。処置予後の解剖学部分は、ベースライン時点から９カ月目までのＣＳＴ減少率を含んでおり、ＣＳＴ減少率は真／偽の二値変数に変換される（例えば、真はＣＳＴ減少率が３５％を上回ることを示す）。二値変数に対する閾値（例えば、３５％）は、対象の平均または中央ＣＳＴ減少率に基づいて選択された。
【0056】
処置予後の機能的部分に対する一次メトリックは、決定係数（Ｒ２）スコアであった。処置予後の解剖学部分の一次メトリックは、受信者操作特性下面積（ＡＵＲＯＣ）曲線であった。二次メトリックは、精度、正確さ、およびリコールを含んだ。モデル性能の評価は５分割交差検証を含んだ。
【0057】
所与の記号モデルを伴う２つの段階を含むモデルスタッキングアプローチにおいて、深層学習システムは最初、第１の段階において予測された予後を生成するために使用された。この予測された予後は、さらにまた、ベースラインデータと共に、第２の段階における記号モデルに対する入力された特徴のうちの１つとして使用された。５分割交差検証は、深層学習システムおよび記号モデルのハイパーパラメータを調整するために使用された。第１の段階では、５分割ＣＶは、深層学習システムのハイパーパラメータを調整するために使用された。第２の段階の５倍交差検証のｉ（ｉ＝１、２、３、４、５）回の繰り返しにおいて、第１の段階の５分割交差検証のｉ回の繰り返しからの深層学習システムの予測は、ベースラインデータと組み合わせて入力された特徴のうちの１つとして使用された。モデルスタッキングアプローチを使用して、全部で６のモデルが開発された。
【0058】
モデル平均化アプローチにおいて、所与の記号モデルでは、深層学習システムによって生成された予測された予後および記号モデルによって生成された予測された予後は、予測された処置予後を生成するために（例えば、均等加重により）合わせて平均化された。モデル平均化アプローチを使用して、全部で６のモデルが開発された。
【0059】
試験データ性能メトリックを計算するために、記号モデルは、５分割交差検証において見出された最適なハイパーパラメータが設定された訓練データ全体に関して再訓練された。深層学習システムはアンサンブル法で使用され、すなわち、５つの深層学習システムの（すなわち、それぞれの５分割交差検証からの）平均が使用された。
【0060】
図５は、１つまたは複数の実施形態による処置予後を予測する際のモデルスタッキングおよびモデル平均化アプローチに関する性能データを示す表である。処置予後は９カ月目の予測されたＢＣＶＡを含む。ベンチマークモデルは、使用されたそれぞれの個々のモデルを特定する。モデルスタッキングに関して、特定されたモデルは、深層学習システムと積層された記号モデルである。モデル平均化に関して、特定されたモデルは、出力が深層学習システムの出力で平均化された記号モデルである。
【0061】
図６は、１つまたは複数の実施形態による処置予後を予測する際のモデルスタッキングおよびモデル平均化アプローチに関する性能データを示す表である。処置予後はＣＳＴ減少率分類を含み、この場合、真または正の分類は、ＣＳＴ減少率が３５％を上回ることを示す。ベンチマークモデルは、使用されたそれぞれの個々のモデルを特定する。モデルスタッキングに関して、特定されたモデルは、深層学習システムと積層された記号モデルである。モデル平均化に関して、特定されたモデルは、出力が深層学習システムの出力で平均化された記号モデルである。
【0062】
ＩＶ．コンピュータ実装システム
図７は、さまざまな実施形態によるコンピュータシステムの一例を示すブロック図である。コンピュータシステム７００は、図１において上述されたコンピューティングプラットフォーム１０２の１つの実装形態の一例であり得る。１つまたは複数の例では、コンピュータシステム７００は、情報を通信するためのバス７０２または他の通信機構と、情報を処理するためにバス７０２と結合されたプロセッサ７０４とを含むことができる。さまざまな実施形態では、コンピュータシステム７００は、プロセッサ７０４によって実行される命令を判定するためにバス７０２に結合された、ランダムアクセスメモリ（ＲＡＭ）７０６または他の動的記憶装置とすることができるメモリも含むことができる。メモリはまた、プロセッサ７０４によって実行される命令の実行中にテンポラリ変数または他の中間情報を記憶するために使用可能である。さまざまな実施形態では、コンピュータシステム７００は、プロセッサ７０４のための静的情報および命令を記憶するためにバス７０２に結合された読み出し専用メモリ（ＲＯＭ）７０８または他の静的記憶装置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記憶装置７１０が設けられ、情報および命令を記憶するためにバス７０２に結合され得る。
図７は、さまざまな実施形態によるコンピュータシステムの一例を示すブロック図である。コンピュータシステム７００は、図１において上述されたコンピューティングプラットフォーム１０２の１つの実装形態の一例であり得る。１つまたは複数の例では、コンピュータシステム７００は、情報を通信するためのバス７０２または他の通信機構と、情報を処理するためにバス７０２と結合されたプロセッサ７０４とを含むことができる。さまざまな実施形態では、コンピュータシステム７００は、プロセッサ７０４によって実行される命令を判定するためにバス７０２に結合された、ランダムアクセスメモリ（ＲＡＭ）７０６または他の動的記憶装置とすることができるメモリも含むことができる。メモリはまた、プロセッサ７０４によって実行される命令の実行中にテンポラリ変数または他の中間情報を記憶するために使用可能である。さまざまな実施形態では、コンピュータシステム７００は、プロセッサ７０４のための静的情報および命令を記憶するためにバス７０２に結合された読み出し専用メモリ（ＲＯＭ）７０８または他の静的記憶装置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記憶装置７１０が設けられ、情報および命令を記憶するためにバス７０２に結合され得る。
【0063】
さまざまな実施形態では、コンピュータシステム７００は、バス７０２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７１２に結合可能である。英数字および他のキーを含む入力デバイス７１４は、情報およびコマンド選択をプロセッサ７０４に通信するためにバス７０２に結合可能である。別のタイプのユーザ入力デバイスは、プロセッサ７０４に方向情報およびコマンド選択を通信し、かつディスプレイ７１２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７１６である。この入力デバイス７１４は、典型的には、デバイスが平面における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）の二軸の二自由度を有する。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７１４も本明細書で企図されることは理解されるべきである。
【0064】
本教示のある特定の実装形態と一致するように、プロセッサ７０４が、ＲＡＭ７０６に含有される１つまたは複数の命令の１つまたは複数のシーケンスを実行することに応答して、結果がコンピュータシステム７００によって提供可能である。そのような命令は、記憶装置７１０など、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ＲＡＭ７０６に読み込み可能である。ＲＡＭ７０６に含有される命令のシーケンスの実行は、プロセッサ７０４に、本明細書に説明されるプロセスを実行させることができる。代替的には、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得る。よって、本教示の実装は、ハードウェア回路とソフトウェアとのいかなる特定の組み合わせにも限定されない。
【0065】
本明細書で使用される「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、データ記憶装置など）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７０４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取ることができる。不揮発性媒体の例は、限定はされないが、記憶装置７１０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、限定はされないが、ＲＡＭ７０６などの動的メモリを含むことができる。伝送媒体の例は、限定はされないが、バス７０２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。
【0066】
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、または他の任意の磁気媒体、ＣＤ－ＲＯＭ、他の任意の光学媒体、パンチカード、紙テープ、孔のパターンを有する他の任意の物理的媒体、ＲＡＭ、ＰＲＯＭ、およびＥＰＲＯＭ、フラッシュＥＰＲＯＭ、他の任意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出すことができる他の任意の有形媒体を含む。
【0067】
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７００のプロセッサ７０４に１つまたは複数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可能である。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み得る。命令およびデータは、１つまたは複数のプロセッサに、本明細書における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、限定はされないが、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、光通信接続などを含むことができる。
【0068】
本明細書に説明される方法、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７００をスタンドアロン装置として使用して、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可能であることは理解されるべきである。
【0069】
本明細書に説明される方法は、用途に応じてさまざまな手段によって実装され得る。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、またはこれらの任意の組み合わせで実装されてよい。ハードウェア実装形態では、処理ユニットは、１つまたは複数の特定用途向け集積回路（ＡＳＩＣ）、デジタル信号プロセッサ（ＤＳＰ）、デジタル信号処理装置（ＤＳＰＤ）、プログラマブル論理デバイス（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、本明細書に説明される機能を実行するように設計された他の電子ユニット、またはこれらの組み合わせ内に実装され得る。
【0070】
さまざまな実施形態では、本教示の方法は、Ｃ、Ｃ＋＋、Ｐｙｔｈｏｎなどの従来のプログラミング言語で書き込ま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ならびにアプリケーションとして実施され得る。ファームウェアおよび／またはソフトウェアとして実施される場合、本明細書に説明される実施形態は、コンピュータに上述される方法を実行させるプログラムが記憶されている非一時的コンピュータ可読媒体上で実施可能である。本明細書において説明されるさまざまなエンジンは、コンピュータシステム７００など、コンピュータシステム上に提供され得、それによって、プロセッサ７０４は、メモリ構成要素であるＲＡＭ７０６、ＲＯＭ７０８、または記憶装置７１０のうちの任意の１つまたはこれらの組み合わせによって提供された命令、および入力デバイス７１４を介して提供されたユーザ入力を受けて、これらのエンジンによって提供される分析および判定を実行することになることを理解されたい。
【0071】
Ｖ．例示的な定義およびコンテキスト
本開示は、これら例示的な実施形態および応用例に、または例示的な実施形態および応用例が作用するまたは本明細書に記載されるやり方に限定されない。さらに、図は、簡略化されたまたは部分的な図を示す場合があり、図の要素の寸法は、誇張されている、あるいは比例していない場合がある。
本開示は、これら例示的な実施形態および応用例に、または例示的な実施形態および応用例が作用するまたは本明細書に記載されるやり方に限定されない。さらに、図は、簡略化されたまたは部分的な図を示す場合があり、図の要素の寸法は、誇張されている、あるいは比例していない場合がある。
【0072】
さらに、「～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本明細書で使用される際、１つの要素が別の要素の上に直接あるか、別の要素に直接取り付けられているか、別の要素に接続されているか、別の要素に結合されているか、または１つの要素と別の要素との間に１つまたは複数の介在要素が存在するかどうかにかかわらず、１つの要素（例えば、構成要素、材料、層、基板など）は、別の要素「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」可能性がある。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、リスト化された要素のいずれか１つそれ自体、リスト化された要素の全てより少ないものからなる任意の組み合わせ、および／または、リスト化された要素の全ての組み合わせを含むことが意図されている。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、論じられた要素の任意の組み合わせを限定するものではない。
【0073】
「対象」という用語は、臨床治験の対象、処置を受ける人、抗がん剤治療を受ける人、寛解または回復に向けて監視されている人、（例えば、病歴により）予防健康分析を受ける人、または任意の他の人もしくは対象の患者を指す場合がある。さまざまな場合では、「対象」および「患者」は本明細書では区別なく使用され得る。
【0074】
別段定められない限り、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、別段文脈によって示されない限り、単数形の用語は複数形を含むものとし、複数形の用語は単数形を含むものとする。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、当技術分野において周知でありかつ一般的に使用されるものである。
【0075】
本明細書で使用される際、「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。よって、「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、または結果などからの微細で僅かな変動を可能にする。数値もしくはパラメータまたは数値として表現可能である特性に関して使用されるとき、「実質的に」は１０パーセント以内を意味し得る。
【0076】
「複数」という用語は、２つ以上を意味する。
【0077】
本明細書で使用される際、「複数」という用語は、２、３、４、５、６、７、８、９、１０、またはそれ以上とすることができる。
【0078】
本明細書で使用される際、「～のセット」という用語は１つまたは複数を意味する。例えば、項目のセットは１つまたは複数の項目を含む。
【0079】
本明細書で使用される際、「～のうちの少なくとも１つ」という語句は、項目のリストと共に使用されるとき、列挙された項目のうちの１つまたは複数の異なる組み合わせが使用されてよく、場合によっては、リストにおける項目のうちの１つのみが使用されることを意味する。項目は、特定の物体、物、ステップ、動作、プロセス、またはカテゴリであり得る。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得るが、リストにおける項目の全てが使用されない場合があることを意味する。例えば、限定はされないが、「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と項目Ｂ、項目Ｂ、項目Ａと項目Ｂと項目Ｃ、項目Ｂと項目Ｃ、または項目Ａと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のうちの少なくとも１つ」は、限定はされないが、２つの項目Ａと１つの項目Ｂと１０個の項目Ｃ、４つの項目Ｂと７つの項目Ｃ、または何か他の適した組み合わせを意味する。
【0080】
本明細書で使用される際、「モデル」は、１つまたは複数のアルゴリズム、１つまたは複数の数学的手法、１つまたは複数の機械学習アルゴリズム、またはこれらの組み合わせを含んでよい。
【0081】
本明細書で使用される際、「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判定または予測を行う実践であってよい。機械学習は、ルールベースのプログラミングに頼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。
【0082】
本明細書で使用される際、「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、計算に対するコネクショニストアプローチに基づいて情報を処理する、人工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場合がある。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、受信された入力について出力を予測するために、線形単位、非線形単位、またはその両方の１つまたは複数の層を用いることができる。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つまたは複数の隠れ層を含む。それぞれの隠れ層の出力は、ネットワークにおける次の層、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得る。ネットワークのそれぞれの層は、各パラメータのセットの現在の値に従って、受信した入力から出力を生成する。さまざまな実施形態では、「ニューラルネットワーク」への言及は、１つまたは複数のニューラルネットワークへの言及であってよい。
【0083】
ニューラルネットワークは、２つのやり方で情報を処理してよい。例えば、ニューラルネットワークは、訓練されているときは訓練モードで、学習したことを実践するときは推論（または予測）モードで情報を処理し得る。ニューラルネットワークは、ネットワークが、出力が訓練データの出力に一致するように、中間隠れ層における個々のノードの（ネットワークの挙動を修正する）重み因子を調節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）を通して学習し得る。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）が供給されることによって学習する場合があり、新たな入力の範囲または入力のセットが提示されるときでも、正しい出力に到達する方法を最終的に学習する。ニューラルネットワークは、例えば、限定はされないが、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つを含み得る。
【0084】
ＶＩ．実施形態の記載
実施形態１．処置予後を予測するための方法であって、対象の網膜に関する３次元撮像データを受信することと、深層学習システムおよび３次元撮像データを使用して第１の出力を生成することと、記号モデルのための入力として第１の出力およびベースラインデータを受信することと、記号モデルにより、入力を使用して血管新生型加齢黄斑変性（ｎＡＭＤ）の処置を受けている対象に対する処置予後を予測することとを含む、方法。
実施形態１．処置予後を予測するための方法であって、対象の網膜に関する３次元撮像データを受信することと、深層学習システムおよび３次元撮像データを使用して第１の出力を生成することと、記号モデルのための入力として第１の出力およびベースラインデータを受信することと、記号モデルにより、入力を使用して血管新生型加齢黄斑変性（ｎＡＭＤ）の処置を受けている対象に対する処置予後を予測することとを含む、方法。
【0085】
実施形態２．３次元撮像データは光干渉断層撮影（ＯＣＴ）撮像データを含む、実施形態１の方法。
【0086】
実施形態３．ベースラインデータは、属性データ、ベースライン視力測定値、ベースライン中心領域網膜厚測定値、ベースライン低輝度欠損、または処置群のうちの少なくとも１つを含む、実施形態１または実施形態２の方法。
【0087】
実施形態４．属性データは年齢または性別のうちの少なくとも１つを含む、実施形態３の方法。
【0088】
実施形態５．処置予後は、予測された視力測定値、予測された視力の変化、予測された中心領域網膜厚、または中心領域網膜厚の予測された減少のうちの少なくとも１つを含む、実施形態１～４のいずれか１つの方法。
【0089】
実施形態６．ベースラインデータはベースライン視力測定値を含み、
第１の出力を使用してベースライン視力測定値を特定することをさらに含む、実施形態１～５のいずれか１つの方法。
第１の出力を使用してベースライン視力測定値を特定することをさらに含む、実施形態１～５のいずれか１つの方法。
【0090】
実施形態７．処置予後は、ベースライン時点後ｎカ月目で予測され、ｎカ月目は、ベースライン時点後の３カ月～３０カ月のひと月として選択される、実施形態１～６のいずれか１つの方法。
【0091】
実施形態８．処置は、血管内皮増殖因子を対象にしたモノクローナル抗体およびアンジオポイエチン２阻害薬を含む、実施形態１～７のいずれか１つの方法。
【0092】
実施形態９．処置はファリシマブを含む、実施形態１～８のいずれか１つの方法。
【0093】
実施形態１０．血管新生型加齢黄斑変性（ｎＡＭＤ）の処置を受けている対象に対する処置予後を予測するための方法であって、深層学習システム、および対象の網膜に関する３次元撮像データを使用して第１の予測された予後を生成することと、記号モデル、および対象に関するベースラインデータを使用して第２の予測された予後を生成することと、第１の予測された予後および第２の予測された予後を使用してｎＡＭＤの処置を受けている対象に対する処置予後を予測することとを含む、方法。
【0094】
実施形態１１．予測することは、第１の予測された処置予後および第２の予測された処置予後の加重平均として処置予後を予測することを含む、実施形態１０の方法。
【0095】
実施形態１２．３次元撮像データは光干渉断層撮影（ＯＣＴ）撮像データを含む、実施形態１０または実施形態１１の方法。
【0096】
実施形態１３．ベースラインデータは、属性データ、ベースライン視力測定値、ベースライン中心領域網膜厚測定値、ベースライン低輝度欠損、または処置群のうちの少なくとも１つを含む、実施形態１０～１２のいずれか１つの方法。
【0097】
実施形態１４．属性データは年齢または性別のうちの少なくとも１つを含む、実施形態１３の方法。
【0098】
実施形態１５．第１の予測された処置予後、第２の予測された処置予後、および処置予後のそれぞれは、予測された視力測定値、予測された視力の変化、予測された中心領域網膜厚、または中心領域網膜厚の予測された減少のうちの少なくとも１つを含む、実施形態１０～１４のいずれか１つの方法。
【0099】
実施形態１６．血管新生型加齢黄斑変性（ｎＡＭＤ）と診断された対象に対する抗血管内皮増殖因子（抗ＶＥＧＦ）処置を管理するためのシステムであって、機械実行可能コードを含む機械可読媒体を含有するメモリと、メモリに結合されたプロセッサとを備え、プロセッサは、プロセッサに、
対象の網膜に関する３次元撮像データを受信することと、
深層学習システムおよび３次元撮像データを使用して第１の出力を生成すること、
記号モデルのための入力として第１の出力およびベースラインデータを受信すること、
記号モデルにより、入力を使用して、血管新生型加齢黄斑変性（ｎＡＭＤ）の処置を受けている対象に対する処置予後を予測することとを行わせる機械実行可能コードを実行するように構成される、システム。
対象の網膜に関する３次元撮像データを受信することと、
深層学習システムおよび３次元撮像データを使用して第１の出力を生成すること、
記号モデルのための入力として第１の出力およびベースラインデータを受信すること、
記号モデルにより、入力を使用して、血管新生型加齢黄斑変性（ｎＡＭＤ）の処置を受けている対象に対する処置予後を予測することとを行わせる機械実行可能コードを実行するように構成される、システム。
【0100】
実施形態１７．３次元撮像データは光干渉断層撮影（ＯＣＴ）撮像データを含む、実施形態１６のシステム。
【0101】
実施形態１８．ベースラインデータは、属性データ、ベースライン視力測定値、ベースライン中心領域網膜厚測定値、ベースライン低輝度欠損、または処置群のうちの少なくとも１つを含む、実施形態１６または実施形態１７のシステム。
【0102】
実施形態１９．処置予後は、予測された視力測定値、予測された視力の変化、予測された中心領域網膜厚、または中心領域網膜厚の予測された減少のうちの少なくとも１つを含む、実施形態１６～１８のいずれか１つのシステム。
【0103】
実施形態２０．処置はファリシマブを含む、実施形態１６～１８のいずれか１つのシステム。
【0104】
実施形態２１．処置予後を予測するための方法であって、記号モデルのための入力としてベースラインデータを受信することと、記号モデルを使用してベースラインデータを処理することと、記号モデルにより、ベースラインデータの処理に基づいて、処置を受けている対象に対する予後を予測することとを含む、方法。
【0105】
実施形態２２．ベースラインデータはベースライン視力測定値を含み、さらに、３次元撮像データおよび深層学習システムを使用してベースライン視力測定値を生成することを含む、実施形態２１の方法。
【0106】
ＶＩＩ．さらなる考察
本書のセクションおよびサブセクション間の見出しおよび小見出しは、読み易さを改善するために含まれるに過ぎず、特徴がセクションおよびサブセクションをまたいで組み合わされ得ないことを示唆するものではない。それ故に、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するものではない。
本書のセクションおよびサブセクション間の見出しおよび小見出しは、読み易さを改善するために含まれるに過ぎず、特徴がセクションおよびサブセクションをまたいで組み合わされ得ないことを示唆するものではない。それ故に、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するものではない。
【0107】
本開示のいくつかの実施形態は、１つまたは複数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つまたは複数のデータプロセッサ上で実行されるとき、１つまたは複数のデータプロセッサに、本明細書に開示された１つもしくは複数の方法の一部または全部および／あるいは１つもしくは複数のプロセスの一部または全部を実行させる、命令を含有す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つまたは複数のデータプロセッサに、本明細書に開示された１つもしくは複数の方法の一部または全部および／あるいは１つもしくは複数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。
【0108】
用いられている用語および表現は、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、示されかつ説明された特徴のいかなる均等物またはその部分も除外する意図はなく、特許請求された発明の範囲内でさまざまな修正が可能であることが認識される。よって、特許請求された本発明は、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修正および変形が、当業者によって使用されてもよく、そのような修正および変形が、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は理解されるべきである。
【0109】
本教示は、さまざま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、さまざまな代替、修正、および均等物を包含する。さまざまな実施形態を説明する際に、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される特定の順序のステップに依存していない範囲で、方法またはプロセスは、説明した特定の順序のステップに限定されるべきではなく、当業者が容易に理解することができるように、順序は変えられる場合があり、かつ依然として、さまざまな実施形態の趣旨および範囲内にとどまり得る。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（例えば、ブロック図または概略図における要素、フロー図における要素など）にさまざまな変更が加えられ得ることは理解されたい。
【0110】
以下の説明には、実施形態を完全に理解してもらうために具体的な詳細が示されている。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践され得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することで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得る。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得る。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【国際調査報告】