Цель работы — оценка возможности диагностики офтальмологических и системных заболеваний по изображениям глазного дна с использованием мультимодальной трансформерной модели, обученной на открытом наборе данных.

Материал и методы. Для обучения и валидации использован открытый набор данных RFMiD, содержащий 3200 изображений глазного дна, размеченных относительно 29 классов заболеваний. В качестве модели использована предварительно обученная мультимодальная трансформерная архитектура, дообученная на этом наборе данных.

Результаты. Модель показала стабильную сходимость и высокую точность при определении 29 классов заболеваний по изображениям глазного дна, достигнув AUC 0.9155 без признаков переобучения.

Заключение. Полученные результаты демонстрируют высокую производительность мультимодальной модели на основе трансформенной архитектуры для задач многоклассовой классификации заболеваний по изображениям глазного дна.

Визуализация глазного дна играет решающую роль в диагностике и мониторинге заболеваний сетчатки, зрительного нерва и хориоидеи. Технологии визуализации глазного дна за последние десятилетия прошли путь от простых офтальмоскопов до высокоточных томографов и многоспектральных систем. В обзоре рассмотрены принципы, преимущества и ограничения основных технологий визуализации глазного дна. Современные разработки направлены на повышение их портативности, автоматизацию и доступность для широкого применения.

Цель работы — разработка модели для предоперационного расчета оптической силы интраокулярных линз (ИОЛ) на основе искусственных нейронных сетей (ИНС-модель) с открытой архитектурой, обучение модели на локальных эмпирических данных и сравнение погрешности модели с современными формулами четвертого поколения.

Материал и методы. Исходный датасет представлял собой обезличенные данные пациентов Тамбовского филиала «МНТК “Микрохирургия глаза” им. академика С.Н. Федорова» и содержал 890 записей, включающих рефракцию сильного и слабого меридиана роговицы до операции, длину глаза, глубину передней камеры, толщину хрусталика, A-константу используемой модели ИОЛ. В качестве выходной величины выбрана требуемая оптическая сила ИОЛ. Для разработки ИНС-моделей использовали фреймворки машинного обучения языка Python. Все технологические процессы осуществляли в Google Colaboratory. Для оценки качества ИНС-моделей использовали среднюю относительную погрешность и процент попадания расчетных значений в целевой диапазон ±0,5 дптр.

Результаты. На значительном количестве локальных данных оценена точность формул четвертого поколения, используемых для предоперационного расчета оптической силы ИОЛ: Barrett Universal II, Hill-RBF, Kane и Pearl DGS. Средняя относительная погрешность составляет 2,67–3,21 %, процент попаданий расчетных значений в диапазон ±0,5 дптр — от 55 до 68 %. ИНС-модель на основе машинного обучения позволяет проводить расчет данного показателя с погрешностью 2,33 % при попадании расчетных значений в целевой диапазон порядка 74 %.

Заключение. Разработанная ИНС-модель может быть использована в системах поддержки принятия решений врачами-офтальмологами в виде специализированного калькулятора.

Лазерная коррекция зрения (ЛКЗ) представляет собой высокотехнологичный метод коррекции аномалий рефракции, эффективность которого во многом зависит от точности предоперационной диагностики, индивидуализации параметров вмешательства и прогнозирования исходов. В последние годы всё активнее интегрируются алгоритмы машинного обучения (МО) на различных этапах ЛКЗ, способствуя трансформации офтальмохирургической практики в сторону персонализированного подхода. Цель данного обзора — систематизировать современные достижения в применении МО в лазерной рефракционной хирургии. В предоперационном периоде МО позволяет с высокой точностью отбирать пациентов, выявлять противопоказания (включая кератоконус), выбирать оптимальный метод вмешательства и рассчитывать параметры абляции. Используемые алгоритмы, включая «случайный лес», XGBoost и глубокие нейронные сети, демонстрируют превосходные показатели чувствительности и специфичности, нередко превосходя традиционные клинические методы. В послеоперационном периоде МО применяется для прогнозирования зрительных исходов, риска регрессии и необходимости повторной коррекции. Несмотря на высокую прогностическую точность, текущее применение искусственного интеллекта (ИИ) ограничено ретроспективным характером данных, отсутствием масштабной клинической валидации и необходимостью дальнейшей интеграции в клинические процессы. Обзор подчеркивает значимость дальнейших исследований для стандартизации, интероперабельности и регуляторной приемлемости ИИ-решений в офтальмологии.

Цель работы — обобщить современные подходы к прогнозированию системных периоперационных осложнений в офтальмохирургии, оценить возможности использования предоперационных калькуляторов риска и определить роль клинических регистров в обеспечении безопасности хирургического лечения.

Материал и методы. В обзор включены отечественные и зарубежные публикации 2020–2025 гг., отобранные по базам данных PubMed, Scopus и Web of Science, а также материалы действующих национальных и  международных регистров (EUREQUO, IRIS и др.). Особое внимание уделено оценке ограничений традиционных шкал риска (ASA, RCRI), роли маркеров активности нейровегетативной системы (вариабельность сердечного ритма — HRV и барорефлекторная чувствительность — BRS), а также потенциалу искусственного интеллекта (ИИ) в разработке персонализированных прогностических моделей.

Результаты. Установлено, что офтальмохирургия, несмотря на малотравматичность вмешательств, сопряжена с риском развития критических инцидентов, особенно у пожилых пациентов с коморбидным фоном. Известные шкалы стратификации риска не учитывают физиологических предикторов и оказываются малоинформативными в случае их применения в офтальмохирургии. HRV и BRS обладают высокой прогностической значимостью, однако не интегрированы в используемые модели. ИИ-алгоритмы, включая системы машинного обучения и концепцию цифровых двойников, позволяют объединять клинико-физиологические параметры и формировать персонализированные профили риска.

Заключение. Представленные данные подтверждают необходимость разработки специализированных офтальмологических калькуляторов риска и клинических регистров, включающих физиологические параметры. Интеграция ИИ в процессы стратификации риска системных периоперационных осложнений и критических инцидентов способствует повышению безопасности офтальмохирургических вмешательств у пациентов группы высокого риска.

Цель работы — разработка и оценка эффективности нейросетевой модели для автоматической сегментации эпиретинальной мембраны (ЭРМ) по данным оптической когерентной томографии (ОКТ).

Материал и методы. Исследование включает анализ 322 размеченных ОКТ-изображений макулярной зоны с признаками ЭРМ: 167 сканов — из клиники «Профессорская Плюс», 155 — из открытого датасета OCTDL. Проведено обучение и сравнение пяти архитектур: U-Net, Attention U-Net, TransUNet, LOCTSeg и Tiny-UNet. Для генерации первичных аннотаций использовалась базовая модель U-Net, прошедшая клиническую валидацию. Сегментация оценивалась по метрикам Dice и IoU. Аннотации проверялись тремя офтальмологами с опытом работы больше 10 лет.

Результаты. Все модели показали сопоставимые значения Dice и IoU, без статистически значимого различия между ними. Модель Tiny-UNet продемонстрировала наилучшее соотношение качества и ресурсной эффективности: 570 тыс. параметров, время обучения одной эпохи — 1/5 от U-Net, итоговое время обучения — 20 мин. При этом точность сегментации составила Dice = 86,1 %, IoU = 78,6 %.

Заключение. Tiny-UNet представляется оптимальной архитектурой для задач автоматической сегментации ЭРМ: она обеспечивает высокую точность при минимальных вычислительных затратах и подходит для внедрения в клиническую практику, включая мобильные и облачные телемедицинские решения.

Посткератотомическая деформация роговицы (ПКДР) создает значительную сложность при расчете интраокулярных линз (ИОЛ). Традиционные методы оценки топографии роговицы могут быть подвержены субъективным ошибкам, что диктует необходимость разработки автоматизированных решений на основе искусственного интеллекта (ИИ).

Цель работы — разработка и валидация нейросетевой модели для автоматизированного анализа топографических данных роговицы с целью повышения точности расчета ИОЛ у пациентов с ПКДР.

Материал и методы. Использованы обезличенные результаты медицинской документации 450 пациентов (возраст от 45 до 78 лет) в отдаленном периоде после радиальной кератотомии (РК), из них 95 пациентов были прооперированы по поводу катаракты. Всем пациентам помимо стандартного офтальмологического обследования проведена шеймпфлюг-визуализация роговицы (Pentacam HR, Oculus, Германия). Использованы многофакторные методы анализа, разработан математический алгоритм классификации.

Результаты. Разработанный прототип нейросетевой модели способен автоматически классифицировать топографические данные роговицы на шесть типов. На основании послеоперационных рефракционных данных рассчитан прогнозируемый рефракционный результат и поправочные коэффициенты для расчета ИОЛ по различным формулам.

Заключение. Технологии ИИ и база поправочных коэффициентов могут стать основой для оптимизированного расчета оптической силы ИОЛ у пациентов с ПКДР.

Участники III Всероссийского саммита с международным участием «AIO-2025: Искусственный интеллект в офтальмологии», прошедшего 23–24 мая 2025 г. в Абрау-Дюрсо (Новороссийск), приняли резолюцию, обобщающую его итоги.

Подчеркнуто, что внедрение цифровых и интеллектуальных технологий в здравоохранение требует системной подготовки специалистов.

Опыт использования искусственного интеллекта (ИИ) и нейросетевых моделей в офтальмологии показал, что они могут существенно повысить точность диагностики и прогнозирования глазных заболеваний. Целесообразно поддерживать междисциплинарные научные проекты и пилотные программные платформы для анализа больших медицинских массивов данных (Big Data), планирования операций и моделирования клинических исходов, создания мультимодальных ИИ-систем, способных к комплексной обработке текстовых и визуальных данных (фундус-фотографии, оптической когерентной томографии, периметрии и др.) с целью раннего выявления заболеваний органа зрения.

Особое внимание следует уделить созданию ИИ-систем для автоматизации расчетов оптической силы линз и оценки топографии роговицы у сложных категорий пациентов. Предлагается внести изменения в действующее законодательство и нормативные правовые акты в части оказания высокотехнологичной медицинской помощи и применения интеллектуальных технологий, в том числе при заболеваниях глаз.