Identifying Intraoperative Floppy Iris Syndrome (IFIS) Using AI

技術要約：AIを用いた術中虹彩弛緩症候群（IFIS）の特定

問題提起
術中虹彩弛緩症候群（IFIS）は、瞳孔の拡張不全と、機械的な伸展に対して抵抗を示す弾力的な虹彩を特徴とする病態である。これは、虹彩損傷、前房切開、後嚢破損、および硝子体脱出といった術中合併症のリスクを著しく増大させ、長期的な視機能障害につながる可能性がある。現在、IFISの術前予測は主に臨床的なリスク因子、特にα1遮断薬の使用に依存している。しかし、IFIS症例の相当数は、こうした薬剤の使用歴がない患者においても発生しており、臨床的な評価だけでは微妙な解剖学的指標を見逃す可能性がある。本研究は、AIアルゴリズムが日常的な術前前眼部画像を利用することで、従来の手法よりも効果的にIFISのリスクがある患者を特定できるかどうかを評価することを目的としている。

方法論
本研究では、2016年4月から2022年11月の間にラビン医療センターで白内障手術を受けた2,220名（3,239眼）の患者からなるレトロスペクティブ・コホートを利用した。データセットは、データリークを防ぐために、同一患者の画像が異なるセットに混在しないよう、トレーニング（60%）、バリデーション（20%）、テスト（20%）の各セットに分割された。

• データ取得: 前術前画像は、赤外線（IR）画像とスウェプトソース光干渉断層計（SS-OCT）画像を共に取得できるTomey OA-2000光学式バイオメーターを用いて取得された。IFISの診断は、執刀医が当該症候群の存在を明記した手術報告書に基づいて確定された。
• 画像処理: 赤外線画像（元は360×330のグレースケール）は、瞳孔を中心に224×224ピクセルにリサイズされ、RGBテンソルに変換された。クラス不均衡に対処するため、トレーニングセットには、水平/垂直方向の反転や「ピザ・スライシング」（画像を4つまたは8つのスライスに分割する手法）を含むデータ拡張技術が適用された。
• モデルアーキテクチャ:
  • 赤外線分類: 4つの畳み込みニューラルネットワーク（CNN）アーキテクチャ（ConvNeXt-large-224、ResNet-50、EfficientNet-b7、MobileNet）を評価した。これらはすべてImageNet-1Kで事前学習され、20エポックのファインチューニングが行われた。
  • OCT分類: 前眼部OCT画像を用いてResNet-50モデルを学習させた。
  • 異常検知: IFISをデータセット内の異常として検出するために、EfficientAdモデル（学生・教師アーキテクチャ）を採用した。
  • アンサンブル戦略: OCT画像については、最終的な分類を決定するために、同一眼の複数の画像に対して多数決が適用された。
• ヒューマン・ベースライン: 臨床データがマスキングされた2名の経験豊富な白内障外科医が、100枚の赤外線画像のサブセットを手動で評価し、人間のパフォーマンスの基準値を設定した。
• 統計解析: パフォーマンスは、受信者動作特性曲線下面積（AUC）、感度、特異度、および精度を用いて評価された。また、臨床変数（α1遮断薬の使用、瞳孔径、前房深度など）とIFIS発生との相関を確認するために、多変量ロジスティック回帰も実施された。

主な結果

• 臨床的デモグラフィックス: コホートには、IFISが確認された243眼（7.5%）が含まれていた。IFIS群と非IFIS群の間には、年齢（IFISで高い）、α1遮断薬の使用（14.3% vs 4.7%）、前房深度（IFISで浅い）、水晶体厚（IFISで広い）、および瞳孔径（IFISで小さい）において有意差が認められた。
• 多変量ロジスティック回帰: 臨床変数に基づくモデルは、AUC 70%を達成した。主要な予測因子は、α1遮断薬の使用（OR 1.14）、性別、および瞳孔径であった。
• ヒューマン・グレーダー: 2名の外科医は、赤外線画像のみを評価した場合、それぞれAUC 55%および49%を達成し、追加データなしに視覚的にIFISを予測する能力には限界があることが示された。
• AIモデルの性能:
  • 赤外線分類: ConvNeXt-large-224モデルが、CNNの中で最高の性能であるAUC 65.5%を達成した。他のモデル（EfficientNet-b7、MobileNet、ResNet-50）は、AUC 39.8%から54.6%の範囲でそれを下回った。これらのモデルはクラス不均衡に苦戦し、高い加重再現率を示した一方で、バイナリ再現率（例：ConvNextで4.26%）は低かった。
  • OCT分類: OCT画像を用いたResNet-50モデルは、個々の画像でのAUCは57.8%であったが、多数決を適用した際には61.7%に向上した。
  • 異常検知: EfficientAdモデルは、AUC 53.3%（結果セクションでは53.5%）を達成し、完全な再現率（100%）を示したが、適合率（26.8%）と精度（26.9%）は低かった。

主要な貢献と意義
本研究は、AIアルゴリズムが日常的な術前画像を用いて、眼科医がIFISのリスクがある患者を特定するのを支援できることを示しており、画像分析のみに頼る場合、経験豊富な外科医の性能を上回る可能性がある。具体的には以下の通りである：

1. 視覚的評価に対する優位性: 最良のAIモデル（ConvNeXt-large-224）は、赤外線画像のみからIFISを予測する際の人間による評価（49–55%）を上回るAUC 65.5%を達成した。
2. 撮像モダリティの統合: 本研究は、赤外線およびOCT画像の両方の有用性を検証しており、多変量ロジスティック回帰（臨床データ）が最も高いAUC（70%）を達成したことは、AIによる画像解析が臨床的なリスク因子評価を置き換えるのではなく、補完することを示唆している。
3. クラス不均衡への対処: 本研究は、IFISの発生率が低い（~7.5%）ことによるクラス不均衡の難しさを浮き彫りにした。これはモデルの適合率と再現率に深刻な影響を与える。著者らは、異常検知が完全な感度を提供した一方で、精度とのバランスを取るためにはさらなる最適化が必要であると述べている。

限界と今後の方向性
著者らは、不均衡なデータセット、IFISの重症度に関する外科医の報告のばらつき、および（以前からIFISのリスクとの関連が指摘されている虹彩の色などの）カラー情報が欠落したグレースケール赤外線画像の使用など、いくつかの限界を認めている。本論文は、AIは有望ではあるものの、臨床実装に向けた精度と汎用性を向上させるためには、他の撮像モダリティの研究やモデルのさらなる最適化が必要であると結論付けている。本研究は、AIが現在の臨床判断を代替できると主張するものではなく、より安全な手術計画のための潜在的な補完ツールとしての役割を提示している。