Архив статей журнала
Несмотря на то, что в приказе Министерства здравоохранения Российской Федерации «Об утверждении порядка оказания медицинской помощи взрослому населению при заболеваниях глаза, его придаточного аппарата и орбиты» сказано про оснащение медицинского консультативно-диагностического отделения поликлиники оптическим когерентным томографом, динамическое наблюдение пациентов с патологией сетчатки после начала лечения осуществляется чаще всего в медицинском офтальмологическом центре, что снижает доступность лечения для пациентов со впервые выявленной (первичной) патологией, требующей как можно более раннего начала лечения. Имеющаяся технология нуждается в изменении и интенсификации, в том числе — с применением технологий искусственного интеллекта.
Цель — разработка методических основ организационной технологии диспансерного наблюдения пациентов с патологией заднего отрезка глаза с использованием систем поддержки принятия врачебных решений на основе искусственного интеллекта.
Материалы и методы. Оценка существующей нормативной базы проведена на основе анализа Конституции Российской Федерации, федеральных законов, подзаконной нормативной базы и судебной практики. Создание структурированного медицинского документа описания снимка оптической когерентной томографии проведено с использованием экспертного метода: анкетирования 100 врачей-офтальмологов, имеющих соответствующий уровень образования, в том числе дополнительное профессиональное, занимающихся оказанием медицинских услуг — специализированной медицинской помощи пациентам с патологией заднего отрезка глаза. Структурированный медицинский документ послужил основой для формирования предикторов искусственных нейронных сетей. Обучение нейронных сетей произведено с использованием 60 000 медицинских изображений с помощью метода классификации и сегментации в зависимости от признака.
Результаты. Экспертным методом отобрано и описано 123 бинарных признака, позволяющих описать структуру макулярной области сетчатки в норме и при патологии, из которых выявлено 26 признаков, которые могут быть интерпретированы в качестве предикторов ухудшения клинического течения заболевания.
Заключение. Разработанный классификатор позволил создать и обучить на основе 60 000 медицинских изображений систему поддержки принятия врачебных решений, которая в качестве информационного сервиса, без постановки диагноза, может позволить изменить организацию процесса динамического наблюдения. Формирование маршрутизации пациентов — первичная услуга разработанной системы поддержки принятия врачебных решений. При наличии признаков ухудшения клинической картины предполагается маршрутизация в медицинский офтальмологический центр для оценки динамики и оказания специализированной, в том числе высокотехнологичной, медицинской помощи.
Заболевания макулярной области представляют собой большую группу патологических состояний, приводящих к потере зрения и слабовидению. Ранняя диагностика таких изменений играет большую роль в выборе тактики лечения и является одной из определяющих в прогнозировании результатов.
Цель — изучить возможности программы искусственного интеллекта в диагностике заболеваний макулярной области на основе анализа сканов структурной оптической когерентной томографии.
Материалы и методы. В исследование были включены пациенты, проходившие обследование и лечение в Федеральном научно-клиническом центре специализированных видов медицинской помощи и медицинских технологий и Московского областного научно-исследовательского клинического института им. М.Ф. Владимирского. Обследовано 200 глаз с заболеваниями макулярной области, а также глаза без макулярной патологии. Проведён сравнительный клинический анализ сканов структурной оптической когерентной томографии, выполненных на офтальмологическом томографе RTVue XR 110-2. Для анализа сканов оптической когерентной томографии использовалось программное обеспечение Retina.AI.
Результаты. В ходе анализа сканов оптической когерентной томографии с помощью программы были выявлены различные патологические структуры макулярной области, а затем сформулировано заключение о вероятной патологии. Полученные результаты сравнивались с заключениями врачей-офтальмологов. Чувствительность метода составила 95,16%; специфичность — 97,76%; точность — 97,38%.
Заключение. Платформа Retina.AI позволяет офтальмологам успешно проводить автоматизированный анализ сканов структурной оптической когерентной томографии и выявлять различные патологические состояния глазного дна.
Оптическая когерентная томография — современный высокотехнологичный и информативный метод выявления патологии сетчатки глаза и преретинальных слоёв стекловидного тела. Однако описание и интерпретация результатов исследования требуют высокой квалификации и специальной подготовки врача-офтальмолога, а также значительных временных затрат врача и пациента. Вместе с тем использование математических моделей на основе аппарата искусственных нейронных сетей в настоящее время позволяет автоматизировать многие процессы, связанные с обработкой изображений. Именно поэтому актуально решение задач, связанных с автоматизацией процесса классификации снимков оптической когерентной томографии на основе глубокого обучения моделей искусственных нейронных сетей.
Цель — разработать архитектуры математических (компьютерных) моделей на основе глубокого обучения свёрточных нейронных сетей, предназначенных для классификации снимков оптической когерентной томографии сетчатки глаза; сравнить результаты вычислительных экспериментов, проведённых с использованием средств Python в Google Colaboratory при одно- и многомодельном подходах, и выполнить оценки точности классификации; сделать выводы об оптимальной архитектуре моделей искусственных нейронных сетей и значениях используемых гиперпараметров.
Материалы и методы. Исходный датасет, представляющий собой обезличенные снимки оптической когерентной томографии реальных пациентов, включал более 2000 изображений, полученных непосредственно с прибора в разрешении 1920×969×24 BPP. Количество классов изображений — 12. Для создания обучающего и валидационного наборов данных осуществляли «вырезание» предметной области 1100×550×24 BPP. Изучали различные подходы: возможность использования предобученных свёрточных нейронных сетей c переносом обучения, методики изменения размера и аугментации изображений, а также различные сочетания гиперпараметров моделей искусственных нейронных сетей. При компиляции модели использовали следующие параметры: оптимизатор Adam, функцию потерь categorical_crossentropy, метрику accuracy. Все технологические процессы с изображениями и моделями искусственных нейронных сетей проводили с использованием средств языка Python в Google Colaboratory.
Результаты. Предложены одно- и многомодельный принципы классификации изображений оптической когерентной томографии сетчатки глаза. Вычислительные эксперименты по автоматизированной классификации таких изображений, полученных с томографа DRI OCT Triton, с использованием различных архитектур моделей искусственных нейронных сетей показали точность при обучении и валидации 98–100%, и на дополнительном тесте — 85%, что является удовлетворительным результатом. Выбрана оптимальная архитектура модели искусственной нейронной сети — 6-слойная свёрточная сеть, — и определены значения её гиперпараметров.
Заключение. Результаты глубокого обучения моделей свёрточных нейронных сетей с различной архитектурой, их валидации и тестирования показали удовлетворительную точность классификации снимков оптической когерентной томографии сетчатки глаза. Данные разработки могут быть использованы в системах поддержки принятия решений в области офтальмологии.