Применение нейросетевой модели для классификации ОКТ-изображений при диагностике меланомы хориоидеи

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.

1. Мякошина 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/10.21516/2072-0076-2020-13-4-91-98

2. Мякошина 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/oftalma202013601156

3. Бровкина 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/oftalma2016132523-34

4. Стоюхина 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/oftalma2018134051186

5. Саакян 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.

6. 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.

7. 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/10,18008/1816-5095-2020-1-20-31

8. Kermany 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.2018.02.010

9. Tang 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/dc20-3064

10. Selvam 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,v2

11. Каталевская 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: 10.29188/2712-9217-2022-8-3-21-27

12. Нероев 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/10,21516/2072-0076-2023-16-3-47-53

13. Patel 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/cancers15194694

14. Tailor 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.2024.100584

15. Karamanli 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/app15073565

16. Ragab 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.2024.3386826

17. Каталевская 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: 10,32364/2311-7729-2022-22-1-36-43

18. 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.

19. 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/healthcare11091222

20. Pinto-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/bioengineering10121435

21. Ali 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