Традиционно офтальмологами в диагностике глаукомы используются такие методы, как прямая офтальмоскопия, непрямая офтальмоскопия, офтальмоскопия со щелевой лампой, тонометрия и исследование полей зрения.
Для выявления первых признаков структурных повреждений выделяют оптическую когерентную томографию (ОКТ) и, значительно реже, – лазерную сканирующую поляриметрию и конфокальную лазерную сканирующую офтальмоскопию. Однако до сих пор создаются трудности в ранней диагностике глаукомы из-за медленного и незаметного развития заболевания, отсутствия доступа к государственным офтальмологическим услугам, стоимости обследований и консультаций. Так, по оценкам исследователей, к 2030 г. глаукомой будут болеть около 95,4 млн человек во всем мире. В связи с этим глаукома является хорошим кандидатом для популяционного скрининга.
В последние годы научно-технический прогресс открыл широкий спектр клинических и исследовательских возможностей в области офтальмологической помощи, которые могут помочь в борьбе с глаукомой.
Благодаря использованию искусственного интеллекта (ИИ) создается возможность выполнять такие задачи, как распознавание образов, статистическая регрессия и классификация данных.
Концепция машинного обучения охватывает множество методологий: «случайного леса» (англ. Random Forest), метод K-ближайших объектов (англ. k Nearest Neighbours, KNN), метод «опорных векторов» (англ. support vector machine, SVM), вероятностный классификатор на основе формулы Байеса (англ. Naive Bayes) и искусственные нейронные сети. Среди алгоритмов выделяется технология глубокого обучения, в основном благодаря внедрению и развитию сверточных нейронных сетей (англ. Convolutional Neural Networks, CNN).
Представленные сети – это алгоритмы, требующие большого количества данных для обучения, но очень часто их не хватает, особенно при рассмотрении клинической информации. Для этих целей появились генеративные состязательные сети (англ. Generative adversarial network, GAN) – архитектура машинного обучения, состоящая из двух сетей, которые «борются» друг с другом. Первая – генератор, создающий новые экземпляры данных, вторая – дискриминатор, оценивающий их подлинность.
Применительно к офтальмологическому «сценарию» глаукомы использование ИИ является вспомогательным инструментом в диагностике заболевания путем выявления изменений в результатах ОКТ, периметрии и в изображениях глазного дна благодаря доступности, качеству и экономичности получения.
Ознакомиться с базами данных, которые использовались для классификации глаукомы с помощью глубокого обучения и цифровых изображений глазного дна, полученных благодаря обычной ретинографии, можно по QR-коду.
При исследовании глазного дна модели ИИ проводили вычисление соотношения экскавации к диску зрительного нерва (Э/Д) и распознавание глаукоматозных паттернов (рисунок). Затем алгоритмы оценивают на наличие или отсутствие глаукомы, используя рассчитанный размер Э/Д, получаемый на основе сегментации структур диска зрительного нерва и его экскавации.
При распознавании глаукоматозных паттернов наиболее эффективным оказалось использование мультитехнологий. Это тип моделирования, направленный на достижение желаемой цели, с использованием комбинации разных методов, о которых мы упомянули выше.
Согласно работе Phene и соавт., в экспериментах с использованием ИИ при классификации глаукомы алгоритмы показали более высокую точность по сравнению с классификациями, сделанными опытными офтальмологами.
Несмотря на положительные результаты при сравнении глаукоматозных и неглаукоматозных изображений, авторы столкнулись с определенными ограничениями: отсутствие программного обеспечения для реальных клинических применений, небольшие выборки из баз данных, проблемы с точной классификацией глаукомы из-за отсутствия последовательных и объективных диагностических критериев. Все это создает определенные препятствия для интеграции алгоритмов в практическое применение. Поэтому при продолжении усилий в этой области будущие достижения с помощью искусственного интеллекта внесут значительный вклад в диагностику глазных заболеваний.
Информация предоставлена по итогам реферирования оригинальной работы Д.Н. Орловой, август 2024©.
Оригинальная статья: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10930993/#B21-diagnostics-14-00530
