helmholtzeyeinstituteРоссийский офтальмологический журналRussian Ophthalmological Journal2072-00762587-5760Real time Publishers10.21516/2072-0076-2026-19-2-100-108helmholtzeyeinstitute-2173Research ArticleКЛИНИЧЕСКИЕ ИССЛЕДОВАНИЯCLINICAL STUDIESПрименение нейросетевой модели для классификации ОКТ-изображений при диагностике меланомы хориоидеиApplication of a neural network model for OCT image classification in the diagnosis of choroidal melanomahttps://orcid.org/0000-0002-2087-7155МякошинаЕ. Б.MyakoshinaE. B.

Мякошина Елена Борисовна — д-р мед. наук, старший научный сотрудник отдела офтальмоонкологии и радиологии, доцент кафедры глазных болезней.

ул. Садовая-Черногрязская, д. 14/19, Москва, 105062

Elena B. Myakoshina — Dr. of Med. Sci., senior researcher of ocular oncology and radiology department, assistant professor, chair of eye diseases.

14/19, Sadovaya-Chernogryazskaya St., Moscow, 105062

https://orcid.org/0000-0001-8591-428XСаакянС. В.SaakyanS. V.

Саакян Светлана Владимировна — чл.-корр. РАН, д-р мед. наук, профессор, начальник отдела офтальмоонкологии и радиологии, ФГБУ «НМИЦ глазных болезней им. Гельмгольца» Минздрава России; заведующая учебной частью кафедры глазных болезней лечебного факультета НОИ Клинической медицины им. Н.А. Семашко, ФГБОУ ВО «РосУниМед» Минздрава России.

ул. Садовая-Черногрязская, д. 14/19, Москва, 105062; ул. Долгоруковская, д. 4, Москва, 127006

Svetlana V. Saakyan — Corresponding member of the Russian Academy of Sciences, Dr. of Med. Sci., professor, head of ocular oncology and radiology department, Helmholtz National Medical Research Center of Eye Diseases; head of the academic department of chair of eye diseases of N.A. Semashko Nanional Research Institute of clinical medicine, The Russian University of Medicine.

14/19, Sadovaya-Chernogryazskaya St., Moscow, 105062; 4, Dolgorukovskaya St., Moscow, 127006

https://orcid.org/0009-0005-6752-9499УкинаА. О.UkinaA. O.

Укина Анастасия Олеговна — врач-офтальмолог отделения офтальмологии стационара.

ул. Рощинская, д. 15а к. 1, Гатчина, Ленинградская обл., 188300

Anastasia O. Ukina — ophthalmologist, hospital ophthalmology department.

15A, building 1, Roshchinskaya St., Gatchina, Leningrad region, 188300

anastasiaukina@yandex.ruГарриД. Д.GarriD. D.

Гарри Денис Дмитриевич — аспирант кафедры глазных болезней ФДПО, специалист по работе с медицинскими данными.

ул. Козлова, д. 30, Москва, 121357

Denis D. Garri — PhD student, chair of eye diseases of the faculty of continuing professional education, specialist in working with medical data.

30, Kozlov St., Moscow, 121357

ФГБУ «НМИЦ глазных болезней им. Гельмгольца» Минздрава РоссииРоссияHelmholtz National Medical Research Center of Eye DiseasesRussian FederationФГБУ «НМИЦ глазных болезней им. Гельмгольца» Минздрава России; ФГБОУ ВО «Российский университет медицины» Минздрава РоссииРоссияHelmholtz National Medical Research Center of Eye Diseases; The Russian University of MedicineRussian FederationГБУЗ ЛО «Гатчинская клиническая межрайонная больница»РоссияGatchina Interdistrict Clinical HospitalRussian FederationООО «Искусственные сети и технологии»РоссияLimited Liability Company “Artificial Networks and Technologies”Russian Federation202618072026192100108Copyright © Мякошина Е.Б., Саакян С.В., Укина А.О., Гарри Д.Д., 20262026Мякошина Е.Б., Саакян С.В., Укина А.О., Гарри Д.Д.Myakoshina E.B., Saakyan S.V., Ukina A.O., Garri D.D.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://roj.igb.ru/jour/article/view/2173

Для своевременного начала лечения и улучшения витального прогноза меланомы хориоидеи (МХ) требуется ее ранняя точная диагностика. Цель исследования — разработка автоматизированной системы поддержки принятия врачебных решений при диагностике хориоидальных опухолей на основе изображений оптической когерентной томографии (ОКТ) с использованием технологий искусственного интеллекта (ИИ) и оценка ее работы. Материал и методы. Описывается процесс создания, и оценивается эффективность сверточной нейронной сети YOLO11n-cls в автоматической классификации ОКТ-изображений глазного дна на три класса: МХ, невус хориоидеи и здоровое глазное дно. Результаты. Для обучения и оценки модели был создан датасет из 1700 ОКТ-снимков, полученных в ФГБУ «НМИЦ ГБ им. Гельмгольца» Минздрава России за период 2014–2024 гг. Обучение проводили с применением методов аугментации и предварительно обученных на ImageNet-весов. По результатам тестирования точность модели составила 95 %. Заключение. Продемонстрирована перспективность применения технологий с использованием ИИ в создании программ поддержки принятия врачебных решений в офтальмологической практике.

Early and accurate diagnosis of choroidal melanoma (CM) is required to initiate treatment in a timely manner and improve the prognosis. The purpose of the study was to develop an automated system for supporting medical decision-making in the diagnosis of choroidal tumors based on optical coherence tomography (OCT) images using artificial intelligence (AI) technologies and to evaluate its performance. Material and methods. The article describes the creation process and evaluates the effectiveness of the YOLO11n-cls convolutional neural network in the automatic classification of OCT fundus images into three classes: CM, choroidal nevus, and healthy fundus. Results. To train and evaluate the model, a dataset of 1,700 OCT images obtained at the Helmholtz National Medical Research Center of Eye Diseases over the period 2014–2024 was created. Training was performed using augmentation methods and weights pre-trained on ImageNet. According to the testing results, the accuracy of the model was 95 %. The primary limitations identified include insufficient variability in unique cases and the necessity for further external validation of the model. Conclusion. The potential of using AI-based technologies in the creation of programs to support medical decision-making in ophthalmological practice has been demonstrated.

искусственный интеллектмеланома хориоидеиоптическая когерентная томографиянейронные сетидиагностикаartificial intelligencechoroidal melanomaoptical coherence tomographyneural networksdiagnosisReferencesМякошина Е.Б. Начальная меланома хориоидеи и псевдомеланомы: методы дифференциальной диагностики (обзор литературы). Часть 3. Российский офтальмологический журнал. 2020; 13 (4): 91–8. https://doi.org/10.21516/2072-0076-2020-13-4-91-98Myakoshina E.B. Small choroidal melanoma and pseudomelanomas: methods of differential diagnostics (literature review). Part 3. Russian ophthalmological journal. 2020; 13 (4): 91–8 (In Russ.). https://doi.org/10,21516/2072-0076-2020-13-4-91-98Мякошина Е.Б., Саакян С.В. Оптическая когерентная томография в диагностике начальной меланомы хориоидеи. Вестник офтальмологии. 2020; 136 (1): 56–64. https://doi.org/10,17116/oftalma202013601156Miakoshina E.B., Saakian S.V. Optical coherence tomography in diagnostics of small choroidal melanoma. Vestnik oftal’mologii. 2020; 136 (1): 56–64 (In Russ.). https://doi.org/10,17116/oftalma202013601156Бровкина А.Ф., Стоюхина А.С., Мусаткина И.В. Оптическая когерентная томография в диагностике начальных меланом хориоидеи. Вестник офтальмологии. 2016; 132 (5): 23–34. https://doi.org/10,17116/oftalma2016132523-34Brovkina A.F., Stoyukhina A.S., Musatkina I.V. Diagnostic potential of optical coherence tomography for small choroidal melanomas. Vestnik oftal’mologii. 2016; 132 (5): 23–34 (In Russ.). https://doi.org/10,17116/oftalma2016132523-34Стоюхина А.С., Мусаткина И.В. Морфогенез меланом хориоидеи в свете оптической когерентной томографии. Вестник офтальмологии. 2018. 134 (5–2): 186–94. https://doi.org/10,17116/oftalma2018134051186Stoyukhina A.S., Musatkina I.V. Morphogenesis of choroidal melanomas in OCT imaging. Vestnik oftal’mologii. 2018; 134 (5–2): 186–94 (In Russ.). https://doi.org/10,17116/oftalma2018134051186Саакян С.В., Нероев В.В., Юровская Н.Н. и др. Оптическая когерентная томография опухолеассоциированных изменений сетчатки при новообразованиях хориоидеи. Российский офтальмологический журнал. 2009; 2: 35–41.Saakyan S.V., Neroev V.V., Yurovskaya N.N., et al. Optical coherence tomography of tumor-associated retinal changes in neoplasm of choroid. Russian ophthalmological journal. 2009; 2: 35–41 (In Russ.).Нероев В.В., Саакян С.В., Мякошина Е.Б. и др. Классификация опухолеассоциированных ретинальных изменений при увеальных новообразованиях. Российский офтальмологический журнал. 2010; 4: 35–9.Neroev V.V., Saakyan S.V., Myakoshina E.B., et al. Classification of tumor-associated retinal changes in uveal tumors. Russian ophthalmological journal. 2010; 4: 35–9 (In Russ.).Гарри Д.Д., Саакян С.В., Хорошилова-Маслова И.П. и др. Методы машинного обучения в офтальмологии. Обзор литературы. Офтальмология. 2020; 17 (1): 20–31. https://doi.org/10,18008/1816-5095-2020-1-20-31Garri D.D., Saakyan S.V., Khoroshilova-Maslova I.P., et al. Мethods of machine learning in ophthalmology: Review. Ophthalmology in Russia. 2020; 17 (1): 20–31 (In Russ.). https://doi.org/10,18008/1816-5095-2020-1-20-31Kermany DS, Goldbaum M, Cai W, et al. Identifying medical diagnoses and treatable diseases by image-based deep learning. Сell. 2018 Feb 22; 172 (5): 1122–31.e9. doi: 10,1016/j.cell.2018.02.010Kermany DS, Goldbaum M, Cai W, et al. Identifying medical diagnoses and treatable diseases by image-based deep learning. Сell. 2018 Feb 22; 172 (5): 1122–31.e9. doi: 10,1016/j.cell.2018.02.010Tang F, Wang X, Ran AR, et al. A Multitask deep-learning system to classify diabetic macular edema for different optical coherence tomography devices: A multicenter analysis. Diabetes Care. 2021 Sep; 44( 9): 2078–2088. doi: 10,2337/dc20-3064Tang F, Wang X, Ran AR, et al. A Multitask deep-learning system to classify diabetic macular edema for different optical coherence tomography devices: A multicenter analysis. Diabetes Care. 2021 Sep; 44( 9): 2078–2088. doi: 10.2337/dc20-3064Selvam A, Ong J, Bollepalli SC, et al. Artificial intelligence in choroid through optical coherence tomography: A comprehensive review. Authorea Preprints. 2023. doi: 10,36227/techrxiv.24076470,v2Selvam A, Ong J, Bollepalli SC, et al. Artificial intelligence in choroid through optical coherence tomography: A comprehensive review. Authorea Preprints. 2023. doi: 10,36227/techrxiv.24076470,v2Каталевская Е.А., Сизов А.Ю., Гилемзянова Л.И. Алгоритм искусственного интеллекта для сегментации патологических структур на сканах оптической когерентной томографии сетчатки глаза. Российский журнал телемедицины и электронного здравоохранения. 2022; 8 (3): 21–7. doi: 10.29188/2712-9217-2022-8-3-21-27Katalevskaya E.A., Sizov A.Yu., Gilemzianova L.I. Artificial intelligence algorithm for segmentation of pathological structures on optical coherence tomography scans. Russian journal of telemedicine and electronic health care. 2022; 8 (3): 21–7 (In Russ.). doi: 10,29188/2712-9217-2022-8-3-21-27Нероев В.В., Брагин А.А., Зайцева О.В. Диагностика патологий сетчатки по снимкам оптической когерентной томографии с использованием инструментов искусственного интеллекта. Российский офтальмологический журнал. 2023; 16 (3): 47–53. https://doi.org/10,21516/2072-0076-2023-16-3-47-53Neroev V.V., Bragin A.A., Zaytseva O.V. Diagnostics of retinal pathologies by optical coherence tomography images using artificial intelligence tools. Russian ophthalmological journal. 2023; 16 (3): 47–53 (In Russ.). https://doi.org/10,21516/2072-0076-2023-16-3-47-53Patel RH, Foltz EA, Witkowski A, Ludzik J. Analysis of artificial intelligence-based approaches applied to non-invasive imaging for early detection of melanoma: a systematic review. Cancers (Basel). 2023 Sep 23; 15 (19): 4694. doi: 10,3390/cancers15194694Patel RH, Foltz EA, Witkowski A, Ludzik J. Analysis of artificial intelligence-based approaches applied to non-invasive imaging for early detection of melanoma: a systematic review. Cancers (Basel). 2023 Sep 23; 15 (19): 4694. doi: 10,3390/cancers15194694Tailor PD, Kopinski PK, D’Souza HS, et al. Predicting choroidal nevus transformation to melanoma using machine learning. Ophthalmol Sci. 2024 Jul 20; 5 (1): 100584. doi: 10,1016/j.xops.2024.100584Tailor PD, Kopinski PK, D’Souza HS, et al. Predicting choroidal nevus transformation to melanoma using machine learning. Ophthalmol Sci. 2024 Jul 20; 5 (1): 100584. doi: 10,1016/j.xops.2024.100584Karamanli K-E, Maliagkani E, Petrou P, Papageorgiou E, Georgalas I. Artificial intelligence in decoding ocular enigmas: A literature review of choroidal nevus and choroidal melanoma assessment. Applied Sciences. 2025; 15 (7): 3565. https://doi.org/10,3390/app15073565Karamanli K-E, Maliagkani E, Petrou P, Papageorgiou E, Georgalas I. Artificial intelligence in decoding ocular enigmas: A literature review of choroidal nevus and choroidal melanoma assessment. Applied Sciences. 2025; 15 (7): 3565. https://doi.org/10,3390/app15073565Ragab MG, Abdulkadir SJ, Muneer A, et al. A comprehensive systematic review of YOLO for medical object detection (2018 to 2023). IEEE Access. 2024; 12: 57815–536. doi: 10,1109/ACCESS.2024.3386826Ragab MG, Abdulkadir SJ, Muneer A, et al. A comprehensive systematic review of YOLO for medical object detection (2018 to 2023). IEEE Access. 2024; 12: 57815–536. doi: 10,1109/ACCESS.2024.3386826Каталевская Е.А., Каталевский Д.Ю., Тюриков М.И., Велиева И.А., Большунов А.В. Перспективы использования искусственного интеллекта в диагностике и лечении заболеваний сетчатки. Клиническая офтальмология. 2022; 22 (1): 36–43. doi: 10,32364/2311-7729-2022-22-1-36-43Katalevskaya E.A., Katalevskiy D.Yu., Tyurikov M.I., Velieva I.A., Bolshunov A.V. Future of artificial intelligence for the diagnosis and treatment of retinal diseases. Russian journal of clinical ophthalmology. 2022; 22 (1): 36–43 (In Russ.). doi: 10,32364/2311-7729-2022-22-1-36-43Shulga LA, Saakyan SV, Skladnev DA. Finding a uniform system of retina coefficient for early detection of initial stage of pathological changes. In: Ng EYK, Acharya UR, Tamura T, eds. Distributed Diagnosis and Healthcare. Vol. 3. American Scientific Publishers; 2011: 321–5.Shulga LA, Saakyan SV, Skladnev DA. Finding a uniform system of retina coefficient for early detection of initial stage of pathological changes. In: Ng EYK, Acharya UR, Tamura T, eds. Distributed Diagnosis and Healthcare. Vol. 3. American Scientific Publishers; 2011: 321–5.Aldughayfiq B, Ashfaq F, Jhanjhi NZ, Humayun M. YOLO-Based deep learning model for pressure ulcer detection and classification. Healthcare (Basel). 2023 Apr 25; 11 (9): 1222. doi: 10,3390/healthcare11091222Aldughayfiq B, Ashfaq F, Jhanjhi NZ, Humayun M. YOLO-Based deep learning model for pressure ulcer detection and classification. Healthcare (Basel). 2023 Apr 25; 11 (9): 1222. doi: 10,3390/healthcare11091222Pinto-Coelho L. How artificial intelligence is shaping medical imaging technology: A survey of innovations and applications. Bioengineering (Basel). 2023 Dec 18; 10 (12): 1435. doi: 10,3390/bioengineering10121435Pinto-Coelho L. How artificial intelligence is shaping medical imaging technology: A survey of innovations and applications. Bioengineering (Basel). 2023 Dec 18; 10 (12): 1435. doi: 10,3390/bioengineering10121435Ali ML, Zhang Z. The YOLO framework: A comprehensive review of evolution, applications, and benchmarks in object detection. Computers. 2024; 13 (12): 336. https://doi.org/10,3390/computers13120336Ali ML, Zhang Z. The YOLO framework: A comprehensive review of evolution, applications, and benchmarks in object detection. Computers. 2024; 13 (12): 336. https://doi.org/10,3390/computers13120336

The authors declare that there are no conflicts of interest present.