Актуальность
Негативные изменения в образе жизни современного человека, такие как снижение физической активности, неправильное питание, вредные привычки, а также старение населения ведут к увеличению количества больных с офтальмологической патологией. Ведущей глобальной причиной потери зрения во многих странах считается диабетическая ретинопатия (ДР) [1]. Исследователи прогнозируют увеличение числа взрослых людей с ДР во всем мире с 103,12 млн в 2020 г. до 160,50 млн к 2045 г., а угрожающая зрению ДР возрастет с 28,54 млн в 2020 г. до 44,82 млн к 2045 г. [2]. Всемирная организация здравоохранения (ВОЗ) в своем руководстве от 2020 г. указывает на необходимость регулярного офтальмологического скрининга для всех пациентов с сахарным диабетом (СД) как наиболее эффективного инструмента борьбы со слепотой и слабовидением вследствие ДР [3]. Согласно исследованиям, общее количество больных СД в мире возрастет с 422 млн человек (по данным ВОЗ на 2016 г.) до 645 млн к 2040 г. [4, 5]. Таким образом, количество пациентов, нуждающихся в регулярном офтальмологическом скрининге, непрерывно увеличивается, что является большой нагрузкой для систем здравоохранения всех стран. Согласно исследованиям, около половины пациентов с СД остаются недостаточно диагностированными [6]. Особое место среди офтальмологических осложнений СД занимает диабетический макулярный отек (ДМО). Данное осложнение ведет к быстрой и при отсутствии лечения необратимой потере центрального зрения и может развиваться как на поздних, так и на ранних стадиях ДР [7].
Возрастная макулярная дегенерация (ВМД) как причина необратимой потери зрения занимает третье место в мире в структуре офтальмологической патологии после глаукомы и ДР [8]. На сегодняшний день 196 млн человек в мире страдают этим заболеванием, прогнозируемое число пациентов к 2040 г. составляет 288 млн [9]. Наиболее эффективным методом профилактики слепоты вследствие ВМД является регулярный офтальмологический скрининг с целью своевременного выявления перехода заболевания в неоваскулярную форму и лечения.
В руководстве ВОЗ по скринингу ДР фотографирование глазного дна рассматривается как наиболее доступный и эффективный метод диагностики и мониторинга ДР [3]. Современные технологии позволяют фотографировать глазное дно не только при помощи стационарных и портативных фундус-камер, но и смартфонов с использованием бесконтактных линз для непрямой офтальмоскопии [10] либо специализированных адаптеров для щелевой лампы, что потенциально делает офтальмологический скрининг доступным для более широких слоев населения.
Наиболее информативным, доступным и широко используемым методом диагностики ДМО и ВМД на сегодняшний день является оптическая когерентная томография (ОКТ). Данный метод позволяет определить стадию заболевания, осуществить дифференциальную диагностику, оценить активность патологического процесса и потребность в лечении.
Таким образом, цифровые методы изображения глазного дна – ОКТ и фотографирование глазного дна (данный метод упрощается и удешевляется) – получают все более широкое распространение во всем мире.
Постоянный рост числа пациентов с патологией сетчатки, нуждающихся в регулярных офтальмологических обследованиях, цифровизация здравоохранения, распространение цифровых методов изображения глазного дна, необходимость агрегации и обработки больших объемов данных определяют актуальность задачи разработки новых методов анализа медицинских офтальмологических данных с применением современных технологий искусственного интеллекта (ИИ). В последнее время проводится большое количество исследований, посвященных разработке и тестированию в клинических условиях алгоритмов ИИ для диагностики ДР [11 –13], ДМО [14, 15], ВМД [16, 17]. В США программы скрининга ДР на основе алгоритмов ИИ iDx-DR (компания Digital Diagnostics) и EyeArt (компания Eyenuk) одобрены для использования в клинической практике, программа iDx-DR включена Американской ассоциацией диабетологов в стандарты обследования пациентов с СД [18], программа EyeArt используется в системах здравоохранения 13 стран мира [19].
Цель
Разработка алгоритмов ИИ для диагностики признаков ДР, ДМО, ВМД (ретинальных друз и хориоидальной неоваскуляризации), аномалий витреомакулярного интерфейса (макулярных разрывов – сквозного и ламеллярного, эпиретинальной мембраны и витреомакулярной тракции) путем анализа сканов структурной ОКТ и цифровых фотографий глазного дна.
Материал и методы
Обучающие и тестовые данные
В ходе разработки алгоритмов машинного обучения используются большие массивы данных. Все данные подразделяются на обучающую и валидационную базу. Обучающая база служит непосредственно для разработки алгоритма, валидационная – для проверки точности его работы.
В качестве обучающей и валидационной баз данных использовались цифровые фотографии глазного дна пациентов с ДР и ДМО, сделанные с помощью фундус-камеры, а также сканы структурной ОКТ пациентов с ДМО, ВМД, аномалиями витреомакулярного интерфейса. Источники данных:
1. Открытая база данных «INDIAN DIABETIC RETINOPATHY IMAGE DATASET (IDRID)», doi: 10.21227/H25W98 (License CC BY-4.0) [20].
2. Открытая база данных «1000 Fundus images with 39 categories» (License DbCL) [21].
3. Открытая база данных «Labeled Optical Coherence Tomography (OCT) for Classification», doi: 10.17632/rscbjbr9sj.2 (License CC BY-4.0) [22].
4. Фотографии глазного дна и сканы структурной ОКТ, собранные в клинических условиях в офтальмологической клинике Marashi Eye Clinic (г. Алеппо, Сирия) в рамках проекта пилотного тестирования сервиса RETINA AI [23].
Объем обучающих баз данных составил 3600 фотографий глазного дна и 10 000 сканов ОКТ, объем валидационных баз данных – 400 фотографий глазного дна и 1000 сканов ОКТ. Разметка данных проводилась вручную врачами-офтальмологами путем выделения полигоном соответствующего участка изображения с одним из признаков. Корректность разметки проверялась двумя независимыми врачами-офтальмологами. На фотографиях глазного дна размечали следующие структуры: микроаневризмы, твердые экссудаты, мягкие экссудаты, интраретинальные геморрагии, неоваскуляризацию сетчатки и диска зрительного нерва, преретинальные геморрагии, эпиретинальный фиброз, лазерные коагуляты, диск зрительного нерва, центр макулы. На сканах ОКТ размечали следующие признаки: интраретинальные кисты, субретинальную жидкость, ретинальные друзы, субретинальный гиперрефлективный материал, отслойку ретинального пигментного эпителия, эпиретинальную мембрану, витреомакулярную тракцию, сквозной макулярный разрыв, ламеллярный макулярный разрыв.
Архитектура алгоритмов
Основой для архитектуры искусственной нейронной
сети для сегментации признаков патологий является архитектура FPN (Feature Pyramid Net) [24], которая имеет модификацию энкодера. В качестве энкодера применялась сверточная нейронная сеть EfficientNetB0 в нейронных сетях для сегментации [25]. Количество нейронов в сверточных нейронных слоях декодера было уменьшено до количества карт признаков на выходе блоков сверточной нейронной сети EfficientNetB0 для уменьшения объема выполняемых вычислений. На выходе нейронной сети получали двумерный массив с маской для каждого признака патологий. В качестве функции потерь для обучения нейронной сети была использована фокальная функция потерь Тверски [26]. Постобработка выходных данных нейросети – бинаризация масок – осуществлялась с применением алгоритма бинаризации с верхним порогом.
На рисунке 1 представлена архитектура алгоритма анализа цифровых фотографий глазного дна [27].
Алгоритм анализа фотографий глазного дна включает следующие этапы:
1. Предварительная обработка с целью унификации изображений и улучшения видимости патологических структур.
2. Детекция центра макулы и оптического диска.
3. Сегментация патологических структур искусственными нейронными сетями. В результате обработки нейронными сетями для сегментации получаются маски, значения в пикселях которых отражают вероятность нахождения в этом пикселе признака патологий.
4. Подсчет количества интраретинальных геморрагий вн
Рис. 4. Пример анализа фото глазного дна пациента с тяжелой НПДР алгоритмом ИИ: a – оригинальное фото; б – фото после предобработки; в – фото после сегментации признаков (микроаневризмы – зеленые маски, интраретинальные геморрагии – красные маски, твердые экссудаты – желтые маски, мягкие экссудаты – белые маски) с детекцией твердых экссудатов внутри радиуса макулы как суррогатного признака ДМО; г – результат подсчета числа интраретинальных геморрагий по квадрантам как критерия тяжести НПДР
Fig. 4. An example of the fundus image analysis of a patient with severe NPDR by the AI algorithm: а – original fundus image; б – fundus image after preprocessing; в – fundus image after segmentation of features (microaneurysms – green masks, intraretinal hemorrhages – red masks, hard exudates – yellow masks, soft exudates – white masks) with detection of hard exudates within the radius of the macula as a surrogate sign of DME; г – the number of intraretinal hemorrhages by quadrants as a criterion for the severity of NPDR
Рис. 5. Пример анализа фото глазного дна пациента с ПДР алгоритмом ИИ: а – оригинальное фото; б – фото после предобработки; в – фото после сегментации признаков (микроаневризмы – зеленые маски, интраретинальные геморрагии – красные маски, твердые экссудаты – желтые маски, неоваскуляризация ДЗН – голубая маска); г – флюоресцентная ангиография демонстрирует ликедж из новообразованных сосудов на ДЗН
Fig. 5. An example of the fundus image analysis of a patient with PDR by the AI algorithm: а – original fundus image; б – fundus image after preprocessing; в – fundus image after segmentation of features (microaneurysms – green masks, intraretinal hemorrhages – red masks, hard exudates – yellow masks, optic disc neovascularization – blue mask); г – fluorescein angiography demonstrates leakage from new vessels on the optic disc
5. Детекция твердых экссудатов внутри радиуса макулы как суррогатного признака ДМО [7].
6. Постобработка заключается в приведении полученных контуров в формат, пригодный для отрисовки в клиентской части, и прогнозировании вероятности степени тяжести ДР.
На рисунке 2 представлена архитектура алгоритма анализа сканов ОКТ.
Алгоритм анализа сканов ОКТ включает следующие этапы:
1. Изменение размера сторон изображения до 480 на 480 пикселей, что требует архитектура нейронной сети.
2. Сегментация патологических структур искусственными нейронными сетями с формированием масок вероятности признаков.
3. Передача количественной и качественной информации о сегментированных патологических структурах на вход алгоритма дифференциально-диагностического поиска, который предоставляет пользователю предположение о вероятности одной или нескольких патологий.
Оценка параметров точности работы алгоритма
Критериями оценки работы диагностических алгоритмов ИИ являются показатели точности, чувствительности, специфичности, ROC AUC [28]. Для алгоритмов анализа фотографий глазного дна указанные показатели рассчитывались для следующих структур: микроаневризм, интраретинальных геморрагий, твердых экссудатов, мягких экссудатов, неоваскуляризации сетчатки и диска зрительного нерва, преретинальных геморрагий, эпиретинального фиброза, лазерных коагулятов. Для алгоритмов анализа сканов ОКТ рассчитывались указанные метрики для следующих признаков: интраретинальные кисты, субретинальная жидкость, отслойка ретинального пигментного эпителия, субретинальный гиперрефлективный материал, ретинальные друзы, эпиретинальная мембрана, сквозной макулярный разрыв, ламеллярный макулярный разрыв, витреомакулярная тракция.
Результаты
Результаты оценки параметров точности работы алгоритма анализа фотографий глазного дна приведены в таблице 1 и на рисунке 3.
На рисунках 4 и 5представлены примеры анализа фотографий глазного дна пациентов с тяжелой непролиферативной диабетической ретинопатией (НПДР) и пролиферативной диабетической ретинопатией (ПДР) при помощи разработанного алгоритма ИИ.
Результаты оценки параметров точности работы алгоритма анализа сканов ОКТ приведены в таблице 2 и на рисунке 6.
На рисунках 7 и 8 представлены примеры анализа фотографий глазного дна пациентов с ДМО и неоваскулярной формой ВМД при помощи разработанного алгоритма ИИ.
Обсуждение
Полученные метрики точности работы алгоритмов ИИ для диагностики патологии сетчатки сопоставимы с данными других современных исследований. Так, в ходе клинических испытаний программа скрининга ДР EyeArt продемонстрировала 96% чувствительность и 88% специфичность для выявления более чем легкой ДР; для выявления угрожающей зрению ДР EyeArt продемонстрировала 92% чувствительность и 94% специфичность [19]. В ключевом исследовании 2017 г. программа скрининга ДР IDx-DR была проверена на соответствие клиническим результатам, включая ОКТ, и продемонстрировала 87% чувствительность и 90% специфичность для выявления ДР более чем легкой степени тяжести [18, 29].
Исследование De Fauw и соавт. [30] является одним из наиболее известных в области разработки алгоритмов ИИ для анализа ОКТ. В ходе упомянутого исследования было проанализировано более 14 884 скана ОКТ с признаками различной макулярной патологии: ROC AUC составил 97,95% для витреомакулярного тракционного синдрома, 99,89% – для хориоидальной неоваскуляризации, 99,03% – для макулярного отека, 96,63% – для эпиретинальной мембраны, 100% – для сквозного макулярного разрыва, 99,92% – для ламеллярного макулярного разрыва, 99,49% – для центральной серозной хориопатии, 99,02% – для географической атрофии, 97,42% – для ретинальных друз.
Необходимо подчеркнуть, что приведенные результаты как для алгоритмов анализа фотографий глазного дна, так и алгоритмов анализа сканов ОКТ были получены в ходе клинических испытаний. Приведенные метрики отражают точность работы алгоритмов ИИ в выявлении определенных патологий (например, угрожающей зрению ДР, хориоидальной неоваскуляризации и т.д.). В нашей работе представлены результаты внутренней валидации алгоритмов ИИ и приведены показатели точности работы в выявлении отдельных классов патологических признаков (таких, как субретинальная жидкость, отслойка ретинального пигментного эпителия, неоваскуляризация и т.д.). Оценка точности разработанных алгоритмов ИИ в диагностике патологий проводится в настоящее время в рамках клинических испытаний.
Заключение
Разработаны алгоритмы сегментации патологических признаков на сканах ОКТ и фотографиях глазного дна, имеющие достаточно высокие показатели точности работы. На основе данных алгоритмов ИИ была разработана офтальмологическая платформа Retina.AI, позволяющая проводить автоматизированный анализ сканов структурной ОКТ и фотографий глазного дна и выявлять признаки ДР, ДМО, ВМД, аномалии витреомакулярного интерфейса. Платформа доступна для тестирования по ссылке https://www.screenretina.ru/. В качестве следующего этапа работы проводится тестирование разработанного сервиса в клинических условиях.
Информация об авторах
Евгения Алексеевна Каталевская, к.м.н., врач-офтальмолог, ekatalevskaya@mail.ru, https://orcid.org/0000-0002-5710-9205
Александр Юрьевич Сизов, инженер-программист, sizov_ost_vk@mail.ru, https://orcid.org/0000-0003-3338-4015
Максим Игоревич Тюриков, инженер-программист, stdbreaks@gmail.com, https://orcid.org/0000-0003-1839-4506
Юлия Владимировна Владимирова, врач-офтальмолог, yul9952009@yandex.ru, https://orcid.org/0000-0001-5583-5599
Information about the authors
Evgeniya A. Katalevskaya, PhD in Medical Sciences, Ophthalmologist, ekatalevskaya@mail.ru, https://orcid.org/0000-0002-5710-9205
Alexander Yu. Sizov, software engineer, sizov_ost_vk@mail.ru, https://orcid.org/0000-0003-3338-4015
Maksim I. Turikov, software engineer, stdbreaks@gmail.com, https://orcid.org/0000-0003-1839-4506
Yulia V. Vladimirova, Ophthalmologist, yul9952009@yandex.ru, https://orcid.org/0000-0001-5583-5599
Вклад авторов в работу:
Е.А. Каталевская: существенный вклад в концепцию и дизайн работы, сбор, анализ и обработка материала, написание текста, окончательное утверждение версии текста, подлежащей публикации.
А.Ю. Сизов: существенный вклад в концепцию и дизайн работы, сбор, анализ и обработка материала, статистическая обработка данных, написание текста.
М.И. Тюриков: сбор, анализ и обработка материала, статистическая обработка материала, написание текста.
Ю.В. Владимирова: сбор, анализ и обработка материала, написание текста, редактирование.
Authors' contribution:
E.A. Katalevskaya: significant contribution to the concept and design of the work, collection, analysis and processing of material, writing, editing, final approval of the version to be published.
A.Yu. Sizov: significant contribution to the concept and design of the work, collection, analysis and processing of material, statistical data processing, writing.
M.I. Tyurikov: collection, analysis and processing of material, statistical data processing, writing.
Yu.V. Vladimirova:collection, analysis and processing of material, statistical data processing, editing.
Финансирование: Часть исследования выполнена при поддержке Фонда содействия развитию малых форм предприятий в научно-технической сфере, грант номер № 8ГС1ИИС12-D7/71369.
Согласие пациента на публикацию: Письменного согласия на публикацию этого материала получено не было. Он не содержит никакой личной идентифицирующей информации.
Конфликт интересов: Отсутствует.
Funding: Part of the research was carried out with the support of the Foundation for the Promotion of Small Forms of Enterprises in the Scientific and Technical Field, grant number No. 8GS1IIS12-D7/71369.
Patient consent for publication: No written consent was obtained for the publication of this material. It does not contain any personally identifying information.
Conflict of interest: Тhere is no conflict of interest.
Поступила: 31.10.2022
Переработана: 11.12.2022
Принята к печати: 15.12. 2022
Originally received: 31.10.2022
Final revision: 11.12.2022
Accepted: 15.12. 2022
