Современное применение и перспективы развития искусственного интеллекта в оптометрии

Искусственный интеллект (ИИ) активно трансформирует оптометрию, улучшая выявление, диагностику и лечение заболеваний глаз. Инструменты на основе ИИ могут помочь на более ранних стадиях и с более высокой точностью диагностировать возрастную макулярную дегенерацию (ВМД), диабетическую ретинопатию, глаукому и миопию, что способствует персонализированному подходу и облегчает доступ к телемедицине, значительно расширяя возможности здравоохранения. Платформы на основе ИИ позволяют улучшить скрининг заболеваний и диагностическую визуализацию, а внедрение таких инноваций, как предиктивная аналитика, контактные линзы с поддержкой ИИ и умные гаджеты, трансформируют оптометрическую практику. Некоторые проблемы, такие как качество данных, ошибки алгоритма и интеграция в клинические рабочие процессы, пока остаются нерешенными. Доступ к технологиям ИИ может быть затруднен из-за их высокой стоимости, особенно в условиях ограниченных ресурсов. Сегодня также важны этические вопросы, юридические неопределенности и обеспечение равного доступа к медицинской помощи. В настоящем обзоре основное внимание уделяется современному применению ИИ в оптометрии, включая выявление заболеваний, диагностическую визуализацию и дистанционное наблюдение. Рассматриваются также перспективы в таких областях, как передовые методы зрительной терапии, носимые и умные устройства, большие базы данных, робототехника, виртуальная реальность, предиктивная аналитика и машинное обучение. Подчеркивается, что ИИ может улучшить клинические результаты и устранить пробелы в здравоохранении.

1. Abràmoff MD, Folk JC, Han DP, et al. Automated analysis of retinal images for detection of referable diabetic retinopathy. JAMA Ophthalmol. 2013 Mar; 131 (3): 351–7. doi: 10.1001/jamaophthalmol.2013.1743

2. 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 Dec 12; 318 (22): 2211–23. doi: 10.1001/jama.2017.18152

3. Ting DSW, Peng L, Varadarajan AV, et al. Deep learning in ophthalmology: The technical and clinical considerations. Prog Retin Eye Res. 2019 Sep; 72: 100759. doi: 10.1016/j.preteyeres.2019.04.003

4. 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 Dec 13; 316 (22): 2402–10. doi: 10.1001/jama.2016.17216

5. Liu X, Ye Y, Ge Y, et al. Smart contact lenses for healthcare monitoring and therapy. ACS Nano. 2024 Mar 5;18(9):6817-44. doi: 10.1021/acsnano.3c12072

6. Shamaev D.M., Zayats V.V., Iomdina E.N., Luzhnov P.V., Nikitin O.I. Smart contact lenses and anterior chamber electronic implants: prospects of application in ophthalmology. Russian ophthalmological journal. 2022; 15 (2): 177–85 (In Russ.). https://doi.org/10.21516/2072-0076-2022-15-2-177-185

7. Tham YC, Li X, Wong TY, et al. Global prevalence of glaucoma and projections of glaucoma burden through 2040: a systematic review and meta-analysis. Ophthalmology. 2014 Nov; 121 (11): 2081–90. doi: 10.1016/j.ophtha.2014.05.013

8. Schmidt-Erfurth U, Sadeghipour A, Gerendas BS, Waldstein SM, Bogunović H. Artificial intelligence in retina. Prog Retin Eye Res. 2018 Nov; 67: 1–29. doi: 10.1016/j.preteyeres.2018.07.004

9. Goto S, Maeda N. Corneal topography for intraocular lens selection in refractive cataract surgery. Ophthalmology. 2021 Nov; 128 (11): e142–e152. doi: 10.1016/j.ophtha.2020.11.016

10. Li JO, Liu H, Ting DSJ, et al. Digital technology, tele-medicine and artificial intelligence in ophthalmology: A global perspective. Prog Retin Eye Res. 2021 May; 82: 100900. doi: 10.1016/j.preteyeres.2020.100900

11. De Fauw J, Ledsam JR, Romera-Paredes B, et al. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med. 2018 Sep; 24 (9): 1342–50. doi: 10.1038/s41591-018-0107-6

12. Sanches J, Laine A, Suri J. Ultrasound imaging. 2012. doi: 10.1007/978-1-4614-1180-2

13. Alvarez-Peregrina C, Sanchez-Tena MA, Martin M, Villa-Collar C, Povedano-Montero FJ. Multifocal contact lenses: A bibliometric study. J Optom. 2022 Jan-Mar; 15 (1): 53–9. doi: 10.1016/j.optom.2020.07.007

14. Foo LL, Ng WY, Lim GYS, et al. Artificial intelligence in myopia: current and future trends. Curr Opin Ophthalmol. 2021 Sep 1; 32 (5): 413–24. doi: 10.1097/ICU.0000000000000791

15. He M, Xiang F, Zeng Y, et al. Effect of time spent outdoors at school on the development of myopia among children in China: A randomized clinical trial. JAMA. 2015 Sep 15; 314 (11): 1142–8. doi: 10.1001/jama.2015.10803

16. Ting DSW, Pasquale LR, Peng L, et al. Artificial intelligence and deep learning in ophthalmology. Br J Ophthalmol. 2019 Feb; 103 (2): 167–75. doi: 10.1136/bjophthalmol-2018-313173

17. Wu CT, Lin TY, Lin CJ, Hwang DK. The future application of artificial intelligence and telemedicine in the retina: A perspective. Taiwan J Ophthalmol. 2023 Jun 13; 13 (2): 133–41. doi: 10.4103/tjo.TJO-D-23-00028

18. Tonti E, Tonti S, Mancini F, et al. Artificial intelligence and advanced technology in glaucoma: A review. J Pers Med. 2024 Oct 16; 14 (10): 1062. doi: 10.3390/jpm14101062

19. Keskinbora K, Güven F. Artificial intelligence and ophthalmology. Turk J Ophthalmol. 2020 Mar 5; 50 (1): 37–43. doi: 10.4274/tjo.galenos.2020.78989