Модель искусственного интеллекта для классификации ОКТ-изображений меланомы и невусов хориоидеи

    Актуальность

    Раннее выявление меланомы хориоидеи (МХ) и ее дифференциальная диагностика с псевдомеланомами остается одной из актуальных задач современной офтальмологии. Она напрямую влияет на своевременность начала лечения и прогноз для жизни пациента [1, 2]. Офтальмоонкология является активно развивающейся областью современной офтальмологии, в которой особую роль играет внедрение современных диагностических технологий [3, 4, 5, 6]. Оптическая когерентная томография (ОКТ) занимает ключевое место в диагностике новообразований хориоидеи, обеспечивая высокую пространственную детализацию структурных изменений [7]. В обзорах последних лет подчеркивается, что интеграция алгоритмов искусственного интеллекта с анализом ОКТ­изображений может повысить диагностическую точность за счет автоматизированного выявления субклинических признаков и снижения субъективности экспертной интерпретации [8].

    По данным литературы, применение различных методов искусственного интеллекта в диагностике новообразований хориоидеи активно развивается, при этом наилучшие результаты демонстрируют подходы, основанные на глубоком обучении. Сверточные нейронные сети превосходят традиционные методы машинного обучения по показателям точности и воспроизводимости, особенно при анализе фотографий глазного дна и данных оптической когерентной томографии в дифференциальной диагностике МХ и НХ, что обусловлено их способностью автоматически выявлять сложные морфологические и субклинические признаки [9, 10].

    Цель

    Разработка автоматизированной системы поддержки принятия врачебных решений в дифференциальной диагностике опухолей хориоидеи на основе ОКТизображений с применением сверточной модели глубокого обучения и оценка ее работы.

    Задачи

    Подготовка датасета ОКТ­изображений; обучение нейросетевой модели глубокого обучения YOLO11n­cls задаче классификации на 3 диагностические категории (МХ, НХ, здоровое глазное дно); оценка показателей работы модели искусственного интеллекта.

    Материал и методы

    На базе ФГБУ «НМИЦ ГБ им. Гельмгольца» Минздрава России за период с 2014 по 2024 год провели обследование 288 пациентов с помощью офтальмологических клинико­инструментальных методов: 131 пациент — с МХ, 132 пациента — с НХ, 25 человек — без изменений на глазном дне. Изображения ОКТ получены с помощью прибора Spectralis (Heidelberg Engineering). Коллекция ОКТ­снимков собрана лично д.м.н. Е.Б. Мякошиной. В итоговый датасет для обучения и тестирования нейросетевой модели включили по 500 снимков каждой диагностической категории и дополнительно по 200 ОКТ­срезов центральной зоны опухоли для групп МХ и НХ. В базе данных для каждого изображения добавили данные о диагнозе. Информацию о возрасте, поле и других клинических характеристиках не добавляли.

    Для решения задачи классификации использовали нейросетевую модель YOLO11n­cls. Архитектура YOLO представляет собой сверточную нейронную сеть глубокого обучения, реализующую одностадийный подход к анализу изображений и позволяющую выполнять классификацию на основе автоматически извлекаемых признаков.

    Обучение проводили с применением предварительно обученных на ImageNet весов при размере входных изображений 640×640 пикселей в течение 100 эпох.

    В процессе обучения применяли оптимизатор AdamW, методики аугментации данных и регуляризации для повышения устойчивости модели и предотвращения переобучения. Остальные параметры использовали по умолчанию.

    Результаты

    При подготовке данных для обучения модели ИИ составили датасет из 3788 изображений, включая 1344 снимка с МХ, 1307 — с НХ и 1087 — с фотографиями здорового глазного дна. Обучающая выборка состояла из 2890 изображений (1055 — МХ, 1042 — НХ, 793 — здоровое глазное дно), валидационная — 320 изображений (117, 115 и 88 соответственно), тестовая — 528 изображений (172, 150 и 206 соответственно). Тестовая выборка формировалась исключительно из уникальных клинических случаев, тогда как в обучающую и валидационную выборки допускалось включение смежных ОКТ­срезов одного и того же пациента.

    Разработанная авторами настоящего исследования база данных ОКТ­снимков зарегистрирована в Реестре баз данных Федеральной службы по интеллектуальной собственности (Роспатент), свидетельство номер 2025625785.

    Ход обучения сверточной нейросетевой модели YOLO11n­cls оценивали по динамике функции потерь и показателям точности на обучающей и валидационной выборках. Минимальное значение валидационной потери (0,1087) при значении точности top­1 0,95 было достигнуто на 98­й эпохе, что послужило основанием для выбора данной эпохи в качестве итоговой версии модели. В процессе обучения отмечали устойчивое снижение значений функции потерь на обучающей и валидационной выборках без признаков дивергенции, а также последовательный рост показателей точности, что свидетельствовало о стабильном обучении модели и отсутствии выраженного переобучения.

    При тестировании на тестовой выборке обученная модель корректно классифицировала 97 % изображений с МХ, 96 % — с НХ и 95 % — со здоровым глазным дном, что продемонстрировало высокую точность классификации всех трех диагностических категорий. Ошибки классификации преимущественно возникали при разграничении между МХ и НХ, а также между НХ и здоровым глазным дном. Общая доля некорректных классификаций по каждому классу не превышала 3–4 %, что свидетельствует о высокой устойчивости модели. Значения положительной прогностической ценности (precision) составили 84,1 % для МХ, 82,7 % — для НХ и 93,6 % — для здорового глазного дна. Показатели чувствительности (recall) достигли 86,1, 72,7 и 100 % соответственно. Полученные результаты свидетельствуют о способности модели выявлять тонкие различия между МХ и НХ даже при сходстве их визуальных характеристик на ОКТ­изображениях.

    Обсуждение

    Для решения задачи классификации ОКТ­изображений в настоящем исследовании использовали сверточную нейронную сеть глубокого обучения YOLO11n­cls, отличающуюся высокой вычислительной эффективностью и скоростью обработки данных за счет одностадийной архитектуры. Согласно данным литературы, данный алгоритм обеспечивает сопоставимую или более высокую точность распознавания при существенном преимуществе по скорости, что делает его перспективным для применения в задачах медицинской диагностики, требующих оперативного принятия решений [11].

    Для разработки и обучения модели был создан специализированный датасет ОКТ­изображений новообразований хориоидеи, что является неотъемлемой частью работы с технологиями ИИ. Использовали ОКТ­срезы, проходящие через центральную часть опухоли, поскольку именно данная зона содержит наиболее информативные признаки для дифференциальной диагностики МХ и НХ. При этом следует подчеркнуть, что в клинической практике оценка патологического очага должна основываться на анализе совокупности срезов, тогда как представленная нейросетевая модель в текущей реализации ограничена анализом одного изображения, что требует осторожности при интерпретации ее результатов в реальной клинической работе.

    Заключение

    Сверточная нейросетевая модель глубокого обучения YOLO11n­cls продемонстрировала высокую эффективность при классификации ОКТ­изображений по трем диагностическим категориям, включая сложную задачу дифференциальной диагностики МХ и НХ. Полученные результаты характеризуются стабильной сходимостью обучения, отсутствием признаков переобучения и высокими значениями точности, что подтверждает применимость модели для задач многоклассовой классификации в условиях высокой межклассовой схожести.

    Полученные результаты подтверждают перспективность применения технологий искусственного интеллекта в качестве вспомогательного инструмента поддержки клинических решений и указывают на необходимость их дальнейшей клинической валидации.