Обнаружение аномалий с помощью искусственного интеллекта открывает перспективы для скрининга заболеваний сетчатки

Обнаружение аномалий в сетчатке глаз может быть полезно при скрининге диабетической ретинопатии и других заболеваний сетчатки, свидетельствуют результаты исследования, опубликованные в журнале JAMA Ophthalmology. Детекторы аномалий потенциально могут применяться при скрининге населения на заболевания сетчатки, выявлять новые заболевания, а также фенотипировать или выявлять менее известные проявления распространенных заболеваний сетчатки.

Как правило, алгоритмы систем глубокого обучения - разновидности искусственного интеллекта - обучаются диагностировать конкретные заболевания на основе примеров из имеющихся изображений. Однако редкие проявления распространенных заболеваний сетчатки или редкие офтальмологические заболевания имеют ограниченное количество аннотированных изображений сетчатки, что затрудняет обучение программного обеспечения распознаванию соответствующих характеристик и точному диагностированию.

Обнаружение аномалий, с другой стороны, потенциально может быть обучено на основе только нормальных изображений сетчатки, чтобы затем выявить любые новые или аномальные проявления, которые могут указывать на заболевание, или определить новые фенотипы заболеваний. Это может быть сделано без использования изображений аномальной сетчатки для обучения алгоритма. Такая система на основе искусственного интеллекта может применяться в различных областях, включая скрининг населения в целом, а не только для выявления отдельных заболеваний, таких как диабетическая ретинопатия.

Исследователи оценили 16 детекторов аномалий, используя 88 692 изображения сетчатки глаза 44 346 человек с диабетической ретинопатией различной степени. Изображения были взяты из общедоступного набора данных EyePACS с фундус-изображениями, помеченными от 0 до 4 по степени тяжести ретинопатии. Существует 2 категории алгоритмов глубокого обучения, обе из которых были включены в исследование. Дискриминантные сети классифицируют и сегментируют, что делает их полезными в такой задаче, как обнаружение аномалий. Генеративные сети генерируют реалистичные синтетические данные, например изображения сетчатки, показывающие диабетическую ретинопатию.

Детекторы аномалий были протестированы на суррогатной задаче: они были обучены на изображениях диабетической ретинопатии, показывающих только сетчатку с диабетической ретинопатией и без диабетического макулярного отека, без диабетической ретинопатии или с непролиферативной диабетической ретинопатией легкой и средней степени. Для проверки способности системы распознавать заболевания сетчатки использовались невосстанавливаемые и восстанавливаемые диабетические ретинопатии, включая диабетический макулярный отек или непролиферативную диабетическую ретинопатию.

Полученные результаты свидетельствуют о том, что даже при недостатке данных, характерных для изменений сетчатки, обнаружение аномалий с помощью систем на основе искусственного интеллекта оказалось полезным инструментом - особенно в контексте скрининга диабетической ретинопатии для выявления заболеваний сетчатки, как в данном случае.

Ограничения исследования включали использование ограниченной суррогатной задачи и наличие данных только из системы EyePACS. Тем не менее, авторы исследования считают, что существует потенциал для более широкого использования при дальнейших исследованиях.