データ利活用｜一般社団法人Japan Ocular Imaging Registry

ホームデータ利活用

Japan Ocular Imaging Registryで収集されたデータを用いて作成した推定モデル

English

1，眼底年齢評価モデル▼

1，眼底年齢評価モデル▲

(1) 概要

Japan Ocular Imaging Registryで収集された健康診断施設のデータを用いて作成した、眼底画像から年齢を推定するモデルです。内部検証では以下に記載する性能を認めておりますが、外部データでの性能を保証するものではありません。眼底画像を用いた眼科研究での活用を想定しています。

(2) 権利等

本モデルは自由にご使用頂けます。本モデルを利活用した成果については、日本眼科学会、日本眼科AI学会、一般社団法人Japan Ocular Imaging Registry、国立情報学研究所に帰属しません。本モデルの出力等に関して、日本眼科学会、日本眼科AI学会、一般社団法人Japan Ocular Imaging Registry、国立情報学研究所は一切の責任を負いません。

本モデルを利用した際には、以下の論文を引用の上、謝辞に日本眼科学会、一般社団法人Japan Ocular Imaging Registry、国立情報学研究所を記載してください。

【引用文献】
Miyake M, Akiyama M, Kashiwagi K, Sakamoto T, Oshika T. Japan Ocular Imaging Registry: a national ophthalmology real-world database. Jpn J Ophthalmol. 2022 Nov;66(6):499-503. doi: 10.1007/s10384-022-00941-0. Epub 2022 Sep 23. PMID: 36138192.

【謝辞記載例】
「本研究に使用した事前学習モデルは日本眼科学会と国立情報学研究所の共同研究により作成されたもので、一般社団法人Japan Ocular Imaging Registryのウェブサイト（http://www.joir.jp/）を通じて提供されたものです。」

" The pre-training model used in this study was developed by the Japanese Ophthalmological Society and the National Institute of Informatics, and was made available through the Japan Ocular Imaging Registry website (http://www.joir.jp/)."

(3) 用いたデータ

健康診断施設（単施設）より収集した眼底画像及び健康診断データを用いました。眼底に異常所見がなく、身体状況が健康（※）であった12,734人12,734枚（右眼7,375枚、左眼5,359枚）のデータを用いました。左眼の画像は左右反転し、全て右眼として学習に用いました。

※「身体状況が健康」とは、以下の条件を満たすものとしました。

①特記すべき既往歴等がない
②心臓足首血管指数(CAVI)が年代毎の平均値±2標準偏差の範囲である
③拡張期血圧＜90mmHg、及び収縮期血圧＜140mmHg

(4) 性能

眼底画像12,734枚のうち、8,149枚を訓練用データ、2,038枚を検証用データ、2,547枚をテスト用データとしました。訓練用データの実年齢は42.2±11.3歳（最小18歳、最大84歳）でした。分布を図1に示します。Python31においてPytorchライブラリ2を用い、Imagenet3で事前学習されたswin transformerモデル4を転移学習することでAIモデルを作成しました。画像の入力サイズは384×384としました。入力画像の例を図2に示します。

テストデータの実年齢は42.3±11.0歳でした。実年齢と予測年齢の散布図を図3に示します。実年齢とAIモデルが予測した年齢とのMAE(平均絶対誤差)は2.39歳でした。

(5) モデル

AIモデルはpth形式で公開し、別途ソースコードに動作例を記載しました。動作にはPython3、Pytorch環境が必要です。

モデルのダウンロード

(6) 参考資料

https://arxiv.org/abs/2103.14030

2，眼底からの性別予測モデル▼

2，眼底からの性別予測モデル▲

(1) 概要

Japan Ocular Imaging Registryで収集された健康診断施設のデータを用いて作成した、眼底画像から性別を推定するモデルです。内部検証では以下に記載する性能を認めておりますが、外部データでの性能を保証するものではありません。性差のある疾患の研究などでの活用を想定しています。

(2) 権利等

(3) 用いたデータ

健康診断施設（単施設）より収集した、163,789枚の眼底画像及びそれに付随する健康診断データを用いました。

(4) 性能

眼底画像163,789枚のうち、80%の画像を訓練用データ、20%の画像をテスト用データとしました。訓練用データは56.1%が男性、43.9%が女性であり、テスト用データは56.4%が男性、43.6%が女性でした。Python31においてTensorFlowライブラリ2を用い、16個のモデル（DenseNet-121/169/201、Inception-v3、Inception-ResNet-v2、MobileNet、MobileNetV2、Xception、EfficientNet-B0/B1/B2/B3/B4/B5/B6/B7）を学習することでAIモデルを作成しました。画像の入力サイズは384×384画素としました。入力画像の例を図1に示します。

AIモデルを用いてテスト用データの眼底画像から性別推定を行ったところ、推定した性別が実際の性別と一致する精度は、最も高いモデルで92.0%（AUC 0.971）でした。16個のモデルの中で、最も精度の高かったEfficientNet-B7（精度92.0%、AUC 0.971）と軽量かつ精度の高かったMobileNet（精度91.2%、AUC 0.971）の２つのモデルを公開します。