Татьяна Григорьевна Каменских — д-р мед. наук, доцент, заведующая кафедрой глазных болезней
ул. Б. Казачья, д. 112, Саратов, 410012
Tatiana G. Kamenskikh — Dr. of Med. Sci., head of chair of eye diseases
112, B. Kazach'ya St., Saratov, 410012
Ольга Николаевна Долинина — д-р тех. наук, профессор, проректор по цифровой трансформации, профессор кафедры «Прикладные информационные технологии»
ул. Политехническая, д. 77, Саратов, 410054
Olga N. Dolinina — Dr. of Tech. Sci., professor, deputy-rector for digital transformation, professor of chair of applied information technologies
77, Politekhnicheskaya St., Saratov, 410054
Игорь Олегович Колбенев — канд. мед. наук, доцент кафедры глазных болезней
ул. Б. Казачья, д. 112, Саратов, 410012
Igor O. Kolbenev — Cand. of Med. Sci., associate professor of chair of ophthalmology
112, B. Kazach'ya St., Saratov, 410012
Екатерина Викторовна Веселова — канд. мед. наук, доцент кафедры глазных болезней
ул. Б. Казачья, д. 112, Саратов, 410012
Ekaterina V. Veselova — Cand. of Med. Sci., associate professor of chair of ophthalmology
112, B. Kazach'ya St., Saratov, 410012
Цель исследования — разработка программной технологии на основе методов искусственного интеллекта для анализа больших объемов данных оптической когерентной томографии (ОКТ) с целью выявления ранних симптомов возрастной макулярной дегенерации (ВМД), а также перехода сухой формы ВМД в неоваскулярную ВМД (нВМД).
Материал и методы. Пациенты с сухой ВМД (1125 глаз), влажной нВМД (1200 глаз) и лица без офтальмопатологии (1205 глаз) были обследованы стандартными офтальмологическими методами, а также с помощью ОКТ макулярной зоны (Cirrus HD-OCT 4000, Carl Zeiss Meditec AG, Германия) по протоколу сканирования MacularCube со стандартной макулярной картой ETDRS. Определяли толщину сетчатки от внутренней пограничной мембраны до пигментного эпителия и наличие и локализацию изменений конфигурации центральной ямки.
Результаты. Созданы две сверхточные искусственные нейронные сети (ИНС): для выявления пациентов с ранними признаками сухой формы ВМД и пациентов с признаками нВМД. К моменту обработки 1000 обучающих изображений точность принятия решения для интерпретации изображений в первой ИНС возросла до 97,6%, во второй — до 96,8%, что показывает высокую эффективность данной технологии. Процессы глубокого обучения выполнялись на экземпляре Amazon Web Service EC2 с графическим процессором. Обученная модель ИНС также протестирована на здоровых глазах с каждой расчетной вероятностью. Оценивалось соответствие между диагнозом врача и решением, предложенным ИНС.
Заключение. В связи с необходимостью обработки большого массива данных ОКТ разработана программная технология на основе методов искусственного интеллекта, показавшая свою эффективность в выявлении ранних симптомов сухой и влажной форм ВМД. Данная технология позволяет осуществлять раннюю диагностику перехода сухой формы ВМД в неоваскулярную, требующую незамедлительного лечения.
Purpose: to develop a software technology based on artificial intelligence methods aimed at analyzing large volumes of optical coherent tomography (OCT) data in order to identify early symptoms of age-related macular degeneration (AMD) and the transition from dry AMD to neovascular AMD (nAMD).
Material and methods. Patients with dry AMD (1125 eyes), wet nAMD (1200 eyes) and subjects without ophthalmic pathology (1205 eyes) underwent a standard ophthalmological examination and macular OCT (Cirrus HD-OCT 4000, Carl Zeiss Meditec AG, Germany) according to the MacularCube scanning protocol with a standard ETDRS macular map. The thickness of the retina from the inner limiting membrane to the retinal pigment epithelium and the presence and location of fovea configuration changes were determined.
Results. Two ultra-precise artificial neural networks (ANN) were created: one intended to identify patients with early signs of dry AMD and the other to identify those with signs of nAMD. By the time when 1000 training images were processed, the image interpretation decision-making accuracy in the first ANN increased to reach 97.6%, in the second ANN, to 96.8%, which shows the high efficiency of this technology. The deep learning processes were run on an Amazon Web Service EC2 GPU. The trained ANN model was also tested on healthy eyes at each estimated probability value. The correspondence between the doctor's diagnosis and the decision taken by the ANN was assessed.
Conclusions. A software technology based on artificial intelligence methods has been developed, which answered the need to process a large amount of OCT data. The technology proved effective in identifying early symptoms of dry and wet forms of AMD and in early diagnosis of the transition of the dry form of AMD into neovascular form, the latter requiring immediate treatment.
The authors declare that there are no conflicts of interest present.