Применение искусственного интеллекта в офтальмологии: настоящее и будущее

В настоящее время медицинская отрасль подвергается активной цифровой трансформации, включающей создание электронных баз данных, систем облачной безопасности, мобильных устройств для контроля здоровья и инструментов телемедицины. Одним из важнейших технологических достижений последнего десятилетия является искусственный интеллект (ИИ), постепенно находящий свое применение в различных разделах практической медицины. Наиболее часто применяемым инструментом ИИ принято считать нейронные сети, использование которых в офтальмологии является перспективным подходом, повышающим качество клинического обследования. В обзоре приведены результаты применения инструментов ИИ в диагностике наиболее распространенных офтальмонозологий — диабетической ретинопатии, макулярной дегенерации, ретинопатии недоношенных, глаукомы, катаракты, офтальмоонкологии. Проанализированы преимущества нейронных сетей в диагностике и мониторинге заболеваний органа зрения, а также сложности их внедрения, включающие этические и юридические конфликты.

1. Сидорова Т.А. Цифровая трансформация как семантический переключатель в медицине. Праксема Проблемы визуальной семиотики. 2023; 35 (1): 113–29. doi: 10.23951/2312-7899-2023-1-113-129

2. Larder B, Wang D, Revell A. Application of artificial neural networks for decision support in medicine. Methods Mol Biol. 2008; 458: 123–36. doi: 10.1007/978-1-60327-101-1_7

3. Yuan G, Lv B, Hao C. Application of artificial neural networks in reproductive medicine. Hum Fertil (Camb). 2023: 1–7. doi: 10.1080/14647273.2022.2156301

4. Lusted LB. Medical electronics. N Engl J Med. 1955; 252 (14): 580–5. doi: 10.1056/NEJM195504072521405

5. Gunn AA. The diagnosis of acute abdominal pain with computer analysis. J R Coll Surg Edinb. 1976 May; 21(3): 170–2. PMID: 781220

6. Stamey TA. Benign prostatic hyperplasia in humans. West J Med. 1984; 141 (4): 517–8.

7. Ashizawa K, Ishida T, MacMahon H, et al. Artificial neural networks in chest radiography: application to the differential diagnosis of interstitial lung disease. Acad Radiol. 1999; 6 (1): 2–9. doi: 10.1016/s1076-6332(99)80055-5

8. Brickley MR, Cowpe JG, Shepherd JP. Performance of a computer simulated neural network trained to categorise normal, premalignant and malignant oral smears. J Oral Pathol Med. 1996; 25 (8): 424–8. doi: 10.1111/j.1600-0714.1996.tb00291.x

9. Karakitsos P, Cochand-Priollet B, Guillausseau PJ, et al. Potential of the back propagation neural network in the morphologic examination of thyroid lesions. Anal Quant Cytol Histol. 1996; 18(6): 494–500.

10. Karakitsos P, Stergiou EB, Pouliakis A, et al. Potential of the back propagation neural network in the discrimination of benign from malignant gastric cells. Anal Quant Cytol Histol. 1996 Jun; 18 (3): 245–50. PMID: 8790840

11. Lucht R, Delorme S, Brix G. Neural network-based segmentation of dynamic MR mammographic images. Magn Reson Imaging. 2002; 20 (2): 147–54. doi:10.1016/s0730-725x(02)00464-2

12. Matsuki Y, Nakamura K, Watanabe H, et al. Usefulness of an artificial neural network for differentiating benign from malignant pulmonary nodules on highresolution CT: evaluation with receiver operating characteristic analysis. AJR Am J Roentgenol. 2002; 178 (3): 657–63. doi: 10.2214/ajr.178.3.1780657

13. Ehteshami Bejnordi B, Veta M, Johannes van Diest P, et al. Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer. JAMA. 2017; 318 (22): 2199–210. doi: 10.1001/jama.2017.14585

14. Defigueiredo RJ, Shankle WR, Maccato A, et al. Neural-network-based classification of cognitively normal, demented, Alzheimer disease and vascular dementia from single photon emission with computed tomography image data from brain. Proc Natl Acad Sci USA. 1995; 92 (12): 5530–4. doi:10.1073/pnas.92.12.5530

15. Розанова О.И., Михалевич И.М. Нейросетевой анализ функциональной трансформации зрительной системы при нормальном старении. Офтальмохирургия. 2022; S4: 470–1.

16. Каталевская Е.А., Каталевский Д.Ю., Тюриков М.И. и др. Перспективы использования искусственного интеллекта в диагностике и лечении заболеваний сетчатки. РМЖ Клиническая офтальмология. 2022; 22 (1): 36–43. doi: 10.32364/2311-7729-2022-22-1-36-43

17. Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016; 316 (22): 2402–10. doi: 10.1001/jama.2016.17216

18. Ting DSW, Cheung CY., Lim G., et al. Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes. JAMA. 2017; 318 (22): 2211–23. doi: 10.1001/jama.2017.18152

19. Gargeya R, Leng T. Automated identification of diabetic retinopathy using deep learning. ophthalmology. 2017; 124 (7): 962–9. doi: 10.1016/j.ophtha.2017.02.008

20. Gardner GG, Keating D, Williamson TH, et al. Automatic detection of diabetic retinopathy using an artificial neural network: a screening tool. Br J Ophthalmol. 1996; 80 (11): 940–4. doi: 10.1136/bjo.80.11.940

21. Garcia M, Sanchez CI, Lopez MI, et al. Neural network based detection of hard exudates in retinal images. Comput Methods Programs Biomed. 2009; 93 (1): 9–19. doi: 10.1016/j.cmpb.2008.07.006

22. Bernardes R. Optical coherence tomography: Health information embedded on OCT signal statistics. Annu Int Conf IEEE Eng Med Biol Soc. 2011; 6131–3. doi: 10.1109/IEMBS.2011.6091514

23. Srinivasan PP, Kim LA, Mettu PS, et al. Fully automated detection of diabetic macular edema and dry age-related macular degeneration from optical coherence tomography images. Biomed Opt Express. 2014; 5 (10): 3568–77. doi: 10.1364/BOE.5.003568

24. Wu H, Zhao S, Zhang X, et al. Back-propagation artificial neural network for early diabetic retinopathy detection based on a priori knowledge. J Phys Conf Ser. 2020; 1: 1437. doi: 10.1088/1742-6596/1437/1/012019

25. Krause J, Gulshan V, Rahimy E, et al. Grader variability and the importance of reference standards for evaluating machine learning models for diabetic retinopathy. Ophthalmology. 2018; 125 (8): 1264–72. doi: 10.1016/j.ophtha.2018.01.034

26. Anton N, Dragoi EN, Tarcoveanu F, et al. Assessing changes in diabetic retinopathy caused by diabetes mellitus and glaucoma using support vector machines in combination with differential evolution algorithm. Appl Sci. 2021; 11: 3944. doi: 10.3390/app11093944

27. 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): 65–72. doi:10.47093/2713-069X.2021.2.2.64-72

28. Lois N, Cook JA, Wang A, et al. Evaluation of a new model of care for people with complications of diabetic retinopathy: The EMERALD study. Ophthalmology. 2021; 128 (4): 561–73. doi: 10.1016/j.ophtha.2020.10.030

29. Pieczynski J, Kuklo P, Grzybowski A. The role of telemedicine, in-home testing and artificial intelligence to alleviate an increasingly burdened healthcare system: Diabetic retinopathy. Ophthalmol Ther. 2021; 10 (3): 445–64. doi: 10.1007/s40123-021-00353-2

30. Raman R, Dasgupta D, Ramasamy K, et al. Using artificial intelligence for diabetic retinopathy screening: policy implications. Indian J Ophthalmol. 2021; 69 (11): 2993–8. doi: 10.4103/ijo.IJO_1420_21

31. Takahashi H, Tampo H, Arai Y, et al. Applying artificial intelligence to disease staging: Deep learning for improved staging of diabetic retinopathy. PLoS One. 2017; 12 (6): e0179790. doi: 10.1371/journal.pone.0179790

32. Pitkanen M, Kaikkonen O, Koskelainen A. A novel method for mouse retinal temperature determination based on ERG photoresponses. Ann Biomed Eng. 2017; 45 (10): 2360–72. doi: 10.1007/s10439-017-1872-y

33. Куликов А.Н., Малахова Е.Ю., Мальцев Д.С. Искусственный интеллект и машинное обучение в диагностике центральной серозной хориоретинопатии на основании оптической когерентной томографии. Офтальмологические ведомости. 2019; 12 (1): 13–20. doi:10.17816/OV2019113-20

34. Lee CS, Baughman DM, Lee AY. Deep learning is effective for the classification of OCT images of normal versus age-related macular degeneration. Ophthalmol Retina. 2017; 1 (4): 322–7. doi: 10.1016/j.oret.2016.12.009

35. Treder M, Lauermann JL, Eter N. Automated detection of exudative age-related macular degeneration in spectral domain optical coherence tomography using deep learning. Graefes Arch Clin Exp Ophthalmol. 2018; 256 (2): 259–65. doi: 10.1007/s00417-017-3850-3

36. Prahs P, Marker D, Mayer C, et al. Deep learning to support therapy decisions for intravitreal injections. Ophthalmology. 2018; 115 (9): 722–7. doi: 10.1007/s00347-018-0708-y

37. Schlegl T, Waldstein SM, Bogunovic H, et al. Fully automated detection and quantification of macular fluid in OCT using deep learning. Ophthalmology. 2018; 125 (4): 549–58. doi: 10.1016/j.ophtha.2017.10.031

38. Keenan TDL, Goldstein M, Goldenberg D, et al. Prospective, longitudinal pilot study: Daily self-imaging with patient-operated home OCT in neovascular age-related macular degeneration. Ophthalmol Sci. 2021; 1 (2): 100034. doi: 10.1016/j.xops.2021.100034

39. Liu Y, Holekamp NM, Heier JS. Prospective, longitudinal study: Daily selfimaging with home OCT for neovascular age-related macular degeneration. Ophthalmol Retina. 2022; 6 (7): 575–85. doi: 10.1016/j.oret.2022.02.011

40. Dong L, Yang Q, Zhang RH, et al. Artificial intelligence for the detection of age-related macular degeneration in color fundus photographs: A systematic review and meta-analysis. EClinicalMedicine. 2021 May 8; 35: 100875. doi: 10.1016/j.eclinm.2021.100875

41. Brown JM, Campbell JP, Beers A, et al. Automated diagnosis of plus disease in retinopathy of prematurity using deep convolutional neural networks. JAMA Ophthalmol. 2018; 136 (7): 803–10. doi: 10.1001/jamaophthalmol.2018.1934

42. Anton A, Jordano J, Maquet JD. Sistema experto de diagn stico de glaucoma “Glaucom easy”. Arch Soc Esp Oftalmol. 1995; 69 (1): 23–8. https://dialnet.unirioja.es/servlet/articulo?codigo=6767973

43. Bowd C, Chan K, Zangwill LM, et al. Comparing neural networks and linear discriminant functions for glaucoma detection using confocal scanning laser ophthalmoscopy of the optic disc. Invest Ophthalmol Vis Sci. 2002 Nov; 43 (11): 3444–54. PMID: 12407155

44. Grewal DS, Jain R, Grewal SP, et al. Artificial neural network-based glaucoma diagnosis using retinal nerve fiber layer analysis. Eur J Ophthalmol. 2008; 18 (6): 915–21. doi: 10.1177/112067210801800610

45. Hern ndez GE, Santos-Garc a G, In s FB. Identification of glaucoma stages with artificial neural networks using retinal nerve fibre layer. Analysis and visual field parameters. Innov Hybrid Intell Syst. 2007; 44: 418–24. https://link.springer.com/chapter/10.1007/978-3-540-74972-1_54

46. Sim n MA, Alonso L, Ant n A. A hybrid visual field classifier to support early glaucoma diagnosis. Inteligencia Artificial Revista Iberoamericana de Inteligencia Artificial. 2005; 9 (26): 9–17.

47. An G, Omodaka K, Tsuda S, et al. Comparison of machine-learning classification models for glaucoma management. J Healthc Eng. 2018; 2018: 6874765. doi: 10.1155/2018/6874765

48. Butnariu C, Lisa C, Leon F, et al. Prediction of liquid-crystalline property using support vector machine classification. J Chemom. 2013; 27: 179–88. https://doi.org/10.1002/cem.2508

49. Park K, Kim J, Lee J. Visual field prediction using recurrent neural network. Sci Rep. 2019; 9 (1): 8385. doi: 10.1038/s41598-019-44852-6

50. Дорофеев Д.А., Визгалова Л.О., Горобец А.В. и др. Возможности искусственного интеллекта в измерении оттисков внутриглазного давления по Маклакову. Национальный журнал Глаукома. 2020; 19 (1): 20–7. doi: 10.25700/NJG.2020.01.03

51. Комаровских Е.Н., Подтынных Е.В. Результаты применения искусственных нейронных сетей для ранней диагностики глаукомы. Российский офтальмологический журнал. 2023; 16 (2): 2832. doi: 10.21516/2072-0076-2023-16-2-28-32

52. Мовсисян А.Б., Куроедов А.В., Городничий В.В. и др. Оценка эффективности технологии нейронных сетей при анализе состояния диска зрительного нерва и перипапиллярной сетчатки у здоровых лиц, обследованных на глаукому. Тихоокеанский медицинский журнал. 2020; 3: 43–7. doi: 10.34215/1609-1175-2020-3-43-47

53. Oh E, Yoo TK, Hong S. Artificial neural network approach for differentiating open-angle glaucoma from glaucoma suspect without a visual field test. Invest Ophthalmol Vis Sci. 2015; 56 (6): 3957–66. doi: 10.1167/iovs.15-16805

54. Raghavendra U, Fujita H, Bhandary SV, et al. Deep convolution neural network for accurate diagnosis of glaucoma using digital fundus images. Inf Sci. 2018; 441: 41–9.

55. Ahn JM, Kim S, Ahn K.S., et al. A deep learning model for the detection of both advanced and early glaucoma using fundus photography. PLoS One. 2018; 13 (11): e0207982. doi: 10.1371/journal.pone.0207982

56. Jiang Y, Duan L, Cheng J, et al. JointRCNN: A Region-based convolutional neural network for optic disc and cup segmentation. IEEE Trans Biomed Eng. 2020; 67 (2): 335–43. doi: 10.1109/TBME.2019.2913211

57. Anton N, Tircoveanu F, Cantemir A, et al. Predictions of ocular changes caused by diabetes in glaucoma patients. Comput Methods Programs Biomed. 2018; 154: 183–90. doi: 10.1016/j.cmpb.2017.11.013

58. Chen HS, Chen GA, Syu JY, et al. Early glaucoma detection by using style transfer to predict retinal nerve fiber layer thickness distribution on the fundus photograph. Ophthalmol Sci. 2022; 2 (3): 100180. doi: 10.1016/j.xops.2022.100180

59. Schuman JS, De Los Angeles Ramos Cadena M, McGee R, et al. A case for the use of artificial intelligence in glaucoma assessment. Ophthalmol Glaucoma. 2022; 5 (3): e3–e13. doi: 10.1016/j.ogla.2021.12.003

60. Saini C, Shen LQ, Pasquale LR, et al. Assessing surface shapes of the optic nerve head and peripapillary retinal nerve fiber layer in glaucoma with artificial intelligence. Ophthalmol Sci. 2022; 2 (3): 100161. doi:10.1016/j.xops.2022.100161

61. Wang SY, Tseng B, Hernandez-Boussard T. Deep learning approaches for predicting glaucoma progression using electronic health records and natural language processing. Ophthalmol Sci. 2022; 2 (2): 100127. doi: 10.1016/j.xops.2022.100127

62. Tarcoveanu F, Leon F, Curteanu S, et al. Classification algorithms used in predicting glaucoma progression. Healthcare (Basel). 2022; 10 (10). doi: 10.3390/healthcare10101831

63. Anton N, Lisa C, Doroftei B, et al. Use of artificial neural networks to predict the progression of glaucoma in patients with sleep apnea. Appl. Sci. 2022; 12 (12): 6061. https://doi.org/10.3390/app12126061

64. Куроедов А.В., Остапенко Г.А., Митрошина К.В. и др. Современная диагностика глаукомы: нейросети и искусственный интеллект. РМЖ Клиническая офтальмология. 2019; 19 (4): 230–7. doi: 10.32364/2311-7729-2019-19-4-230-237

65. Goh JHL, Lim ZW, Fang X, et al. Artificial intelligence for cataract detection and management. Asia Pac J Ophthalmol (Phila). 2020; 9 (2): 88–95. doi: 10.1097/01.APO.0000656988.16221.04

66. Son KY, Ko J, Kim E, et al. Deep learning-based cataract detection and grading from slit-lamp and retro-illumination photographs: Model development and validation study. Ophthalmol Sci. 2022; 2 (2): 100147. doi: 10.1016/j.xops.2022.100147

67. Tognetto D, Giglio R, Vinciguerra AL, et al. Artificial intelligence applications and cataract management: A systematic review. Surv Ophthalmol. 2022; 67 (3): 817–29. doi: 10.1016/j.survophthal.2021.09.004

68. Сахнов С.Н., Аксенов К.Д., Аксенова Л.Е. и др. Разработка модели скрининга катаракты с использованием открытого набора данных и алгоритмов глубокого машинного обучения. Офтальмохирургия. 2022; S4: 13–20. https://doi.org/10.25276/0235-4160-2022-4S-13-20

69. Lindegger DJ, Wawrzynski J, Saleh GM. Evolution and applications of artificial intelligence to cataract surgery. Ophthalmol Sci. 2022; 2 (3): 100164. doi:10.1016/j.xops.2022.100164

70. Виноградов А.Р., Джаши Б.Г., Юферов О.В. и др. Современные возможности оптимизации расчета оптической силы интраокулярной линзы с использованием возможностей глубокого машинного обучения. Офтальмохирургия. 2022; 4S: 138–45. doi: 10.25276/0235-4160-2022-4S-138-145

71. Арзамасцев А.А. Фабрикантов О.Л., Беликов С.В., Зенкова Н.А. Результаты использования технологии машинного обучения для расчета оптической силы интраокулярных линз. Офтальмохирургия. 2022; (S4): 6–12. doi: 10.25276/0235-4160-2022-4S-6-12

72. Rampat R, Deshmukh R, Chen X, et al. Artificial intelligence in cornea, refractive surgery, and cataract: Basic principles, clinical applications, and future directions. Asia Pac J Ophthalmol (Phila). 2021; 10 (3): 268–81. doi: 10.1097/APO.0000000000000394

73. Siddiqui AA, Ladas JG, Lee JK. Artificial intelligence in cornea, refractive, and cataract surgery. Curr Opin Ophthalmol. 2020; 31 (4): 253–60. doi: 10.1097/ICU.0000000000000673

74. Малюгин Б.Э., Сахнов С.Н., Аксенова Л.Е. и др. Применение искусственного интеллекта в диагностике и хирургии кератоконуса: систематический обзор. Офтальмохирургия. 2022; (1): 77–96. doi:10.25276/0235-4160-2022-1-77-96

75. Шухаев С.В., Мордовцева Е.А., Пустозеров Е.А., Кудлахмедов Ш.Ш. Применение сверточных нейронных сетей для определения эндотелиальной дистрофии Фукса. Офтальмохирургия. 2022; 4S: 70–6. doi: 10.25276/0235-4160-2022-4S-70-76

76. Souza MB, Medeiros FW, Souza DB, et al. Evaluation of machine learning classifiers in keratoconus detection from orbscan II examinations. Clinics (Sao Paulo). 2010; 65 (12): 1223–8. doi: 10.1590/s1807-59322010001200002

77. Arbelaez MC, Versaci F, Vestri G, et al. Use of a support vector machine for keratoconus and subclinical keratoconus detection by topographic and tomographic data. Ophthalmology. 2012; 119 (11): 2231–8. doi: 10.1016/j.ophtha.2012.06.005

78. Smadja D, Touboul D, Cohen A, et al. Detection of subclinical keratoconus using an automated decision tree classification. Am J Ophthalmol. 2013; 156 (2): 237–46 e1. doi: 10.1016/j.ajo.2013.03.034

79. Ruiz Hidalgo I, Rodriguez P, Rozema JJ, et al. Evaluation of a machine-learning classifier for keratoconus detection based on scheimpflug tomography. Cornea. 2016; 35 (6): 827–32. doi: 10.1097/ICO.0000000000000834

80. Kovacs I, Mihaltz K, Kranitz K, et al. Accuracy of machine learning classifiers using bilateral data from a Scheimpflug camera for identifying eyes with preclinical signs of keratoconus. J Cataract Refract Surg. 2016; 42 (2): 275–83. doi: 10.1016/j.jcrs.2015.09.020

81. Ambrosio RJr, Lopes BT, Faria-Correia F, et al. Integration of scheimpflugbased corneal tomography and biomechanical assessments for enhancing ectasia detection. J Refract Surg. 2017; 33 (7): 434–43. doi: 10.3928/1081597X20170426-02

82. 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. doi: 10.18008/1816-5095-2020-1-20-31

83. Damato B, Eleuteri A, Fisher AC, et al. Artificial neural networks estimating survival probability after treatment of choroidal melanoma. Ophthalmology. 2008; 115 (9): 1598–607. doi: 10.1016/j.ophtha.2008.01.032

84. Vaquero-Garcia J, Lalonde E, Ewens KG, et al. PRiMeUM: A model for predicting risk of metastasis in uveal melanoma. Invest Ophthalmol Vis Sci.2017; 58 (10): 4096–105. doi: 10.1167/iovs.17-22255

85. Zhang H, Liu Y, Zhang K, et al. Validation of the relationship between iris color and uveal melanoma using artificial intelligence with multiple paths in a large chinese population. Front Cell Dev Biol. 2021; 9: 713209. doi: 10.3389/fcell.2021.713209