The German National Cohort: Ophthalmological Assessment, Baseline Profile and Potential for AI-based Eye Research

本研究は、ドイツ国立コホート（NAKO）の48,460名の参加者の眼科学的ベースラインプロファイルを特徴づけ、このデータセットが眼健康研究における人工知能ツールの開発および検証のための大規模な集団ベースの資源として高い潜在能力を有することを示している。

要約

人間の目を単なる「魂の窓」としてではなく、全身の健康に関する秘密を秘めた「高解像度の地図」として想像してみてください。本論文は、ドイツ国立コホート（NAKO）眼科データセットと呼ばれる、新たな大規模な「地図ライブラリ」を紹介するものです。

以下に、研究者たちが何を行ったかを簡単に説明します。

1. 大規模プロジェクト：国民全体の眼科検診

ドイツ国立コホートは、205,000 人のドイツ人の成人を対象とした、巨大で長期的な健康日記のようなものです。人々がなぜ病気になるのかを理解するのを助けるために、人々の健康データが蓄積される巨大な図書館のようなものです。

この巨大な図書館の中で、研究者たちは特別な「眼科ウィング」を設置しました。彼らは人口の無作為なサンプルである約 48,500 人を招き、詳細な眼科検査を受けさせました。これは単なる簡単なチェックではなく、以下のような深い調査を伴うものでした。

• 視力検査表を用いて、人々の視力がどの程度かを確認する。
• 点眼で瞳孔を拡大させることなく、目の奥（網膜）の高解像度写真を撮影する。

2. 「カメラ」と「品質管理」

研究者たちは、網膜の写真を撮影するために特別なカメラを使用しました。これは、遠くから小さな複雑な都市（目の血管や神経）の写真を撮るようなものです。

• 課題： 時には写真がぼやけたり、暗くなったり、揺れていたりすることがあります。この研究では、20 万枚以上の写真が撮影されました。
• 解決策： 彼らは単に人間の目で写真を見るだけでなく、品質検査員として機能する**4 つの異なる「AI ロボット」（コンピュータプログラム）**を訓練しました。これらのロボットはすべての写真をチェックし、それぞれに評価を与えました。
• 結果： 写真の約 68% は非常に鮮明で、4 つのロボットすべてが「研究に十分な品質である」と一致して評価しました。これは、英国バイオバンクなどの他の大規模な研究と比較しても非常に高い成功率であり、ドイツのチームが鮮明な画像を取得する上で素晴らしい仕事をしたことを意味します。

3. 「地図」が明らかにしたもの（ベースライン）

良質な写真のライブラリが整うと、彼らはその「地図」を見て、典型的な健康なドイツ人の成人がどのような状態かを確認しました。その結果、以下が分かりました。

• 視力： ほとんどの人が優れた視力を持っていました（完璧な 20/20 のスコアのようなものです）。
• 一般的な問題： 少数の人々が白内障（水晶体の濁り）、緑内障（神経の損傷）、または黄斑変性（中心視野の損傷）を報告しました。
• 体との関連： 年齢を重ねるにつれて、目の「道路」（血管）がわずかに狭くなり、目の「排水」領域の形状が変化することに気づきました。これらの変化は男性と女性で異なりますが、主に老化の一部として起こります。

4. 「AI の水晶玉」実験

これは科学の未来にとって最も興奮する部分です。研究者たちは、大胆な問いを投げかけました。「コンピュータは目の写真を見て、目には書かれていないその人の体のことを推測できるでしょうか？」

彼らは AI モデルに目の写真を見て、以下の 3 つのことを推測させるよう教えました。

1. この人の年齢は？（AI は実際の年齢から約3 年以内で推測しました）。
2. この人は男性か女性か？（AI は約**83%**の確率で正解しました）。
3. 血圧は？（収縮期血圧について、AI は約11 単位以内で推測しました）。

比喩： 人の顔を見て、その年齢や疲労度を推測することを想像してください。研究者たちは、目が「生体ダッシュボード」のようであることを示しました。AI は完璧ではありませんでしたが、目が全身の健康に関する隠れた手がかりを含んでいることを証明しました。

5. これが重要な理由（論文によると）

この論文は、これが明日すぐに病気を治すとは主張していません。代わりに、こう述べています。「私たちは、大規模で高品質なオープンソースのツールボックスを構築しました」。

• ツールボックス： 彼らはこれらの写真、品質スコア、そして AI ツールを他の科学者たちにも利用可能にしています。
• 目標： これにより、世界中の研究者が心疾患、糖尿病、老化との関連を研究するために、自分自身の「AI の水晶玉」を構築できるようになります。

まとめ：
研究者たちは、ドイツ人の大規模なグループから数千枚の高品質な目の写真を撮影し、コンピュータがこれらの写真を読み解いて、その人の基本的な事実（年齢や血圧など）を推測できることを証明しました。彼らは今や、この巨大な「目の写真ライブラリ」の扉を世界に開き、他の科学者が健康を理解するためのより良いツールを構築できるようになりました。

技術概要

技術的概要：ドイツ国立コホート眼科データセット

問題と背景
大規模な集団ベースのコホートは、慢性疾患の決定因子を理解する上で不可欠であるが、そのようなコホート内における包括的な眼科データの存在は依然として限られている。UK バイオバンクのような研究が網膜画像の基準を確立している一方で、ドイツにおいて眼の健康、全身との関連、および「オキュロミクス」（全身の健康を予測するために眼画像を使用すること）の可能性を調査するための、同様に深く表現型化された全国規模のリソースが必要とされている。ドイツ国立コホート（NAKO）は、20 万人以上の参加者を対象としたより広範な前向き研究の中に標準化された眼科モジュールを確立することで、この課題に取り組むことを目指している。本論文で扱われる主な課題は、疫学研究および人工知能（AI）開発の両方のリソースとして、このデータセットの記述、品質評価、および初期検証を行うことである。

方法論
本研究は、主要コホートの一部に対して提供される「レベル 2」検査である NAKO 眼科モジュールのベースラインデータを分析する。

• 研究対象集団： 分析には、ドイツ全土の 18 の研究センターに所属し、視力検査および散瞳しない眼底カラー画像撮影を完了した 48,460 人の成人（19〜74 歳）が含まれる。
• データ収集：
  • 視力： 遠近矯正を装着した状態で、4 メートルの距離において ETDRS チャートを用いて片眼ごとに測定された。
  • 画像撮影： 散瞳しない眼底カラー写真撮影は、Revenio DRS カメラ（視野 45° x 40°）を用いて行われた。各眼について、黄斑中心画像 1 枚と視神経乳頭中心画像 1 枚が撮影された。
  • 質問紙： 参加者は、眼の既往歴（白内障、緑内障、加齢黄斑変性）および全身の健康に関する自己申告データを提出した。
• 画像処理および AI 解析：
  • 品質管理： 4 つのオープンソース深層学習モデル（Fundus Image Toolbox、AutoMorph、VascX、RetiRatey）を 203,493 枚の画像に適用し、評価可能性を評価した。画像は、4 つのモデルすべての基準を満たした場合に「評価可能」とみなされた。
  • 形態学的抽出： AutoMorph パイプラインを用いて、垂直杯・盤比、中心網膜動脈等価径（CRAE）、動脈・静脈比（AVR）、および血管密度を含む定量的特徴量を抽出した。
  • 全身予測： 標準的な深層学習アーキテクチャ（ResNet18、ResNet50、Inceptionv3、Xception、EfficientNetv2-Small、ViT-Small、Swin-Tiny）を、153,134 枚の高品質画像を用いて年齢、性別、血圧（収縮期および拡張期）を予測するように訓練した。モデルは ImageNet 重みで初期化され、5 分割交差検証を用いて微調整された。

主要な結果

• 人口統計およびベースラインプロファイル： コホートの平均年齢は 48.9 ± 12.5 歳で、男性参加者は 52.7% だった。平均視力は高く（左眼 0.01 logMAR、右眼 0.03 logMAR）、自己申告による眼疾患の有病率は低かった：白内障（4.2%）、緑内障（2.0%）、加齢黄斑変性（0.9%）。
• 画像品質： データセットは高い画像品質を示した。4 つの AI 品質モデルの合意により、203,493 枚の画像のうち 68.2% が評価可能と分類された。この率は、同じアルゴリズムで評価された UK バイオバンクの対応する指標（48.7%）よりも高かった。画像品質は年齢と相関しており、40 歳未満の参加者では約 80〜90% から、最年長群では 40.8% へと低下した。
• 形態学的所見： 自動抽出により、加齢に伴う系統的な傾向が明らかになった：杯・盤比は年齢とともに増加し、CRAE、AVR、および血管密度は減少した。性別による差は統計的に有意であったが、その大きさは小さかった。
• AI 予測性能：
  • 年齢： EfficientNetv2-S が平均絶対誤差（MAE）2.96 年（$R^2$ = 0.901）で最良の性能を示した。
  • 性別： Swin-Tiny および EfficientNetv2-S は、それぞれ約 83.5% の精度と約 0.919 の AUC を達成した。
  • 血圧： EfficientNetv2-S は、収縮期血圧で MAE 10.78 mmHg、拡張期血圧で 7.01 mmHg を示した。
  • これらの結果は、UK バイオバンクおよび EyePACS データセットで訓練された最先端モデル（Poplin et al., 2018）と同等か、わずかに優れていた。

意義と主張
著者らは、NAKO 眼科データセットを科学コミュニティのための基盤となるオープンリソースとして位置づけている。彼らは、このデータセットが主に 3 つの理由で重要であると主張している：

1. 規模と代表性： これは、約 5 万人の参加者に対して視力、全身の健康指標、および眼底カラー画像を提供する、ドイツにおける大規模な全国規模の集団ベースのリソースである。
2. AI およびオキュロミクス検証： 画像の高品質さと深層学習モデルの成功した訓練は、このデータセットが眼の健康のための AI ツールの開発および検証、ならびに網膜画像からの全身変数（年齢、性別、血圧）の予測に適していることを示している。
3. 疫学的有用性： このデータは、加齢および性別に関連する形態学的変化の分析を含む、一般成人集団における眼の健康の研究を可能にする。

本論文は、現在のベースライン特性評価は出発点であるが、このリソースは追跡検査に伴って成長するように設計されていると結論付けている。将来のリリースには、手動で評価された画像データおよび派生表現型が含まれ、眼疾患の進行および眼の健康の維持に関する縦断研究を可能にする。著者らは、このデータセットが将来の研究のための強力な基盤として機能することを強調しつつ、OCT などの補完的なモダリティの欠如や、真の疾患負荷を過小評価する可能性がある自己申告疾患データへの依存といった限界にも言及している。