Интеллектуальная система принятия решения для ранней диагностики макулярной патологии

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.

1. Jahangir S., Khan H.A. Artificial intelligence in ophthalmology and visual sciences: Current implications and future directions. Artificial Intelligence in Medical Imaging. 2021; 2 (5): 95–103. doi: 10.35711/aimi.v2.i5.95

2. Schmidt-Erfurth U., Sadeghipour A., Gerendas B.S., Waldstein S.M., Bogunovi H. Artificial intelligence in retina. Progress in Retinal and Eye Research. 2018; 67: 1–29. doi:10.1016/j.preteyeres.2018.07.004

3. Ting D.S.J., Foo V.H., Yang L.W.Y., et al. Artificial intelligence for anterior segment diseases: Emerging applications in ophthalmology. Br. J. Ophthalmol. 2021; 105: 158–68. doi: 10.1136/bjophthalmol -2019-315651

4. Kapoor R., Walters S.P., Al-Aswad L.A. The current state of artificial intelligence in ophthalmology. Survey of Ophthalmology. 2019; 64: 233–40. doi: 10.1016/j. survophthal.2018.09.002

5. A randomized, placebo-controlled, clinical trial of high-dose supplementation with vitamins C and E, beta carotene, and zinc for age-related macular degeneration and vision loss: AREDS report no. 8. Arch. Ophthalmol. 2001. 119 (10): 1417–36. doi: 10.1001/archopht.119.10.1417