Перспективы использования искусственного интеллекта в диагностике глаукомы

    Глаукома - заболевание, приводящее к необратимой слепоте и инвалидности, что в первую очередь определяет его социальную значимость. Современная диагностическая аппаратура позволяет выявить заболевание на уровне структурных изменений до появления функциональных изменений. Несмотря на совершенствование современной диагностической аппаратуры, и повышение качества медицинской офтальмологической помощи, по-прежнему сохраняется проблема раннего выявления данного заболевания. Причиной этому служат ряд факторов: бессимптомность течения большинства форм глауком, недостаточный уровень диспансеризации населения, необходимость специализированной диагностической аппаратуры, отсутствие эффективной скрининговой системы диагностики глаукомы.

    В последние годы в медицинскую практику активно внедряется анализ данных на основе искусственного интеллекта (нейронные сети). «Обученные» нейронные сети способны анализировать и распознавать предоставляемые изображения. В качестве предоставляемого изображения используется снимок глазного дна, полученный с помощью ретинальной камеры. Современные ретинальные камеры позволяют получить фотоизображение центральных отделов глазного дна высокого разрешения в естественных условиях, без предварительного медикаментозного мидриаза. На получение изображения глазного дна уходит несколько секунд, в течение которых пациент не испытывает какого-либо существенного дискомфорта.

    Для создания рабочей нейронной сети требуется осуществить 2 этапа: обучение и непосредственно распознавание. В процессе обучения нового алгоритма в систему загружаются отдельные фотографии глазного дна с описанием представленной на ней патологии. Для создания корректно функционирующей нейронной сети в процессе обучения требуется адекватное число представленных изображений для каждой нозологии, что требует наличие в уже имеющейся базе данных ретинальной камеры необходимого количества соответствующих снимков. За обучением следует процесс распознавания новых объектов, в ходе которого в систему загружаются новые снимки без описания представленной на них нозологии. Второй этап характеризует действия уже обученной системы и его можно проводить уже с вновь получаемыми фото.

    Согласно теоретическим расчетам после первого этапа чувствительность системы составляет 60%. На втором этапе точность возрастает до 80% и выше.

    По итогам тестирования искусственного интеллекта получены более высокие показатели чувствительности метода. В качестве апробирования возможностей нейронный сетей выбрана область диска зрительного нерва и проведено обучение распознаванию трех состояний: миопический конус, глаукомная экскавация диска зрительного нерва и диск зрительного нерва без патологии. По завершении 1-го этапа процент обнаружения системой миопического конуса составил 78%, глаукомной экскавации диска зрительного нерва 84%, нормального диска зрительного нерва 88 %. Неоспоримым преимуществом алгоритма является способность продолжать обучение в процессе распознавания, повышая тем самым достоверность результатов.

    Таким образом, создав алгоритм с помощью нейронной сети по выявлению глаукомной экскавации зрительного нерва на основе снимков глазного дна ретинальной камерой можно получить эффективный скрининговый метод по выявлению данной патологии среди широкой массы населения.

    Безусловно подобная диагностика не будет являться заменой полноценному офтальмологическому обследованию и специализированным методам обследования. Целью работы данной системы является выявление патологии зрительного нерва на ранних стадиях среди групп населения на обращающихся за офтальмологической помощью или не имеющих возможности.

    Нейронная сеть, обученная к распознаванию нескольких патологий, откроет в перспективе новый уровень доврачебной диагностики. Развитие технологий в ближайшей перспективе позволит получать снимки глазного дна высокого разрешения с помощью смартфонов, тем самым обеспечив охват скрининговой диагностикой всего населения.