Диагностика патологий сетчатки по снимкам оптической когерентной томографии с использованием инструментов искусственного интеллекта

Важность раннего выявления и мониторинга заболеваний сетчатки обусловливает актуальность исследования, посвященного диагностике патологий сетчатки по снимкам оптической когерентной томографии (ОКТ) с использованием инструментов искусственного интеллекта (ИИ).
Цель работы - разработка алгоритмов диагностики патологий сетчатки по ОКТ-снимкам при помощи методов машинного обучения.
Материал и методы. В исследовании использован датасет (20 000 глаз), находящийся в открытом доступе в сети Интернет и включающий ОКТ-снимки здоровой сетчатки (5000 глаз) и сетчатки с тремя разными патологиями: хориоидальной неоваскуляризацией, макулярным отеком, множественными друзами (15 000 глаз). Система распознавания патологий сетчатки построена на основе обученной нейронной сети VGG16 (VGG — группа визуальной геометрии коллектива специалистов, занимающихся разработками в области ИИ).
Результаты. Разработан и реализован на языке Python алгоритм для диагностики заболеваний сетчатки по ОКТ-снимкам на основе такого инструмента ИИ, как глубокие сверхточные нейронные сети. Чувствительность и специфичность модели нейронной сети в ходе диагностики заболеваний сетчатки составили 97 и 98% соответственно.
Заключение. Показаны высокая эффективность и потенциал методов ИИ при построении системы автоматического обнаружения патологии сетчатки в рамках разрабатываемой в НМИЦ ГБ им. Гельмгольца автоматизированной системы принятия врачебных решений. Данный сервис в перспективе может быть использован для повышения эффективности ранней диагностики и мониторинга заболеваний сетчатки в условиях ограниченной доступности первичной офтальмологической помощи на части территорий Российской Федерации, в том числе на доврачебном этапе.

1. Monroy GL, Won J, Spillman DR, Dsouza R, Boppart SA. Clinical translation of handheld optical coherence tomography: practical considerations and recent advancements. J Biomed Opt. 2017; 22 (12): 1–30. doi: 10.1117/1.JBO.22.12.121715

2. Das R, Spence G, Hogg RE, Stevenson M, Chakravarthy U. Disorganization of inner retina and outer retinal morphology in diabetic macular edema. JAMA Ophthalmol. 2018; 136 (2): 202–8. doi: 10.1001/jamaophthalmol.2017.6256

3. Schneider EW, Fowler SC. Optical coherence tomography angiography in the management of age-related macular degeneration. Curr Opin Ophthalmol. 2018; 29 (3): 217–25. doi: 10.1097/ICU.0000000000000469

4. Herranz-Cabarcos A, Vega-L pez Z, Salas-Fandos O, et al. Macular optical coherence tomography for screening of pathology prior to cataract surgery: An approach based on tele-evaluation. Eur J Ophthalmol. 2022; 32 (6): 3433–7. doi: 10.1177/11206721221080818

5. Макулярная дегенерация возрастная. Клинические рекомендации. Доступно на: https://cr.minzdrav.gov.ru/recomend/114_2 (дата обращения 10 февр. 2023).

6. Vira J, Marchese A, Singh RB, Agarwal A. Swept-source optical coherence tomography imaging of the retinochoroid and beyond. Expert Rev Med Devices. 2020; 17 (5): 413–26. doi: 10.1080/17434440.2020.1755256

7. Fujimoto J, Swanson E. The development, commercialization, and impact of optical coherence tomography. Invest. Ophthalmol. Vis. Sci. 2016; 57 (9): OCT1–OCT13. doi: 10.1167/iovs.16-19963

8. Hu J, Chen Y, Yi Z. Automated segmentation of macular edema in OCT using deep neural networks. Med. Image Anal. 2019; 55: 216–27. doi: 10.1016/j.media.2019.05.002

9. Lu D, Heisler M, Sieun Lee S, et al. Deep-learning based multiclass retinal fluid segmentation and detection in optical coherence tomography images using a fully convolutional neural network. Med Image Anal. 2019; 54: 100–10. doi: 10.1016/j.media.2019.02.011

10. Soomro TA, Afifi A, Zheng L, Soomro S, et al. Deep learning models for retinal blood vessels segmentation: a review. IEEE Access. 2019; 7: 71696–717. doi: 10.1109/ACCESS.2019.2920616

11. Feng Z, Yang J, Yao L, et al. Deep retinal image segmentation: a FCN-based architecture with short and long skip connections for retinal image segmentation. ICONIP. Springer; 2017: 713–22. Available at: https://www.researchgate.net/publication/320580185_Deep_Retinal_Image_Segmentation_A_FCNBased_Architecture_with_Short_and_Long_Skip_Connections_for_Retinal_Image_Segmentation (Accessed 03.Nov. 2022).

12. Asgar R, Waldstein S, Schlanitz F, et al. U-Net with spatial pyramid pooling for drusen segmentation in optical coherence tomography. OMIA: Springer; 2019: 77–85 Available at: https://arxiv.org/pdf/1912.05404v1.pdf (Accessed 06. Jul. 2022).

13. Нероев В.В., Брагин А.А., Зайцева О.В. Разработка прототипа сервиса для диагностики диабетической ретинопатии по снимкам глазного дна с использованием методов искусственного интеллекта. Национальное здравоохранение. 2021; 2 (2): 64–72.

14. Esfahani EN, Daneshmand PG, Rabbani H, Plonka G. Automatic classification of macular diseases from OCT images using CNN guided with edge convolutional layer. Annu Int. Conf. IEEE Eng. Med. Biol. Soc. 2022; 2022: 3858–61. doi: 10.1109/EMBC48229.2022.9871322

15. Kermany DS, Goldbaum M, Cai W, et al. Identifying medical diagnoses and treatable diseases by image-based deep learning. Cell. 2018; 172 (5): 1122–31. doi: https://doi.org/10.1016/j.cell.2018.02.010. Available at: http://www.cell.com/cell/fulltext/S0092-8674(18)30154-5 (Accessed 20.01.2023).

16. Джулли А., Пал С. Библиотека Keras — инструмент глубокого обучения. Москва: ДМК Пресс; 2017.

17. Nielsen MA. Neural networks and deep learning. Determination Press. 2018. Available at: https://static.latexstudio.net/article/2018/0912/neuralnetworksanddeeplearning.pdf (Accessed (03. Jan.2023).