Группа исследователей из Google’s DeepMind в сотрудничестве с UCL и Moorfields Eye Hospital разработали программное обеспечение (ПО) с использованием машинного обучения для идентификации наиболее распространенных заболеваний сетчатки по результатам 3D ОКТ (оптическая когерентная томография) сканирований. «Обучение» ПО осуществлялось на порядка 15 000 ОКТ сканах (7500 человек), верифицированных ретинальными специалистами (независимая экспертная оценка 8 человек), при этом на первом этапе система училась идентифицировать анатомические базовые элементы сетчатки (сегментация структурных элементов сетчатки), а затем идентифицировать патологические изменения, предлагая вероятные причины данных отклонений в виде конкретных диагнозов с точностью свыше 94%.
Особенностью разработанного ПО является то, что в принятии решений оно не полагается на один алгоритм анализа изображений, и параллельно работают и обучаются еще несколько, что обеспечивает возможность обнаружения фатальных ошибок (выбросов) в случае, когда остальные алгоритмы демонстрируют иное групповое решение. Кроме того, программа дает не один определенный диагноз, а ряд возможных причин с величиной их вероятности для конкретных обнаруженных изменений. В дополнение к этому, ПО дает специалисту доступ к маркировке изображений, по которым можно визуально выявлять дефекты машинной сегментации (рис.). Значимой частью данной программы является то, что она запрограммирована на сортировку и выявление состояний, которые в процессе скринингового обследования определяются как неотложные и требующие проведения лечебных мероприятий в первую очередь.
Авторы заключают, что, несмотря на впечатляющие результаты данного исследования, разработанное ими программное обеспечение нуждается в дальнейшем тестировании в реальной «клинической среде», после чего оно может быть тиражировано в различного рода диагностические устройства. Также авторы отмечают, что подобные исследования были бы невозможными без доступа к централизованным базам клинических данных, что актуализирует стандартизацию оформления данных как в стационарных, так и амбулаторных условиях, с их методичной кумуляцией для совершенствования алгоритмов на основе машинного обучения.
Fauw J.De, Ledsam J.R., Romera-Paredes Be. et al. Clinically applicable deep learning for diagnosis and referral in retinal disease // Nature Medicine. – 2018. – Vol. 24. – P. 1342-1350.