Искусственного интеллекта в офтальмологии

Директор по развитию специализированного центра восстановления зрения ОПТИМЕД врач Александр Нелин прокомментировал  статью «Применение искусственного интеллекта в офтальмологии: Общий обзор», которая была опубликована в Journal of Ophthalmology в 2018 году группой авторов:  WeiLu, YanTong, YueYu, YiqiaoXing, ChangzhengChen и YinShen:

«Искусственный интеллект — это наука и технология создания интеллектуальных машин и интеллектуальных компьютерных программ, способность интеллектуальных систем выполнять творческие функции, которые традиционно считаются прерогативой человека».

Вот как представляют авторы цель своей работы, они пишут: «С появлением беспилотного самолета, автономных транспортных средств, способов  распознавания лиц и языковой обработки, искусственный интеллект (ИИ) значительно изменил наш образ жизни. Недавние исследования показывают, что ИИ обладает поразительным потенциалом для выполнения различных задач гораздо лучше, чем люди, особенно в области распознавания изображений. Поскольку объем данных изображений в офтальмологии резко увеличивается, анализ и обработка этих данных остро необходимы. ИИ пытались применить для расшифровки медицинских данных и добились невероятных успехов в интеллектуальной диагностике. В этой статье мы представили основной рабочий процесс для создания модели ИИ и систематически рассмотрели применения ИИ в диагностике заболеваний глаз».

Далее авторы поясняют, почему и каким образом искусственный интеллект может изменить офтальмологию, они пишут:

«Поскольку старение населения стало крупнейшим демографическим трендом во всем мире, ожидается, что число пациентов, страдающих заболеваниями глаз, резко возрастет. Раннее выявление и соответствующее лечение глазных заболеваний имеют большое значение для предотвращения потери зрения и повышения качества жизни. Традиционные методы диагностики в значительной степени зависят от профессионального опыта и знаний врачей, что приводит к высокой частоте ошибочного диагноза и огромному расходу медицинских данных. Глубокая интеграция офтальмологии и искусственного интеллекта (ИИ) может коренным образом изменить существующую модель диагностики заболеваний и оказать значительное клиническое влияние.

Предложенный в 1956 году ученым из Дартмута Джоном Маккарти (John McCarthy) термин искусственный интеллект (ИИ) - это общий термин, который «относится к аппаратному или программному обеспечению, которое демонстрирует интеллектуальное поведение». Не так давно эффективность ИИ вышла на первый план из-за разработки новых алгоритмов, специализированного оборудования, облачных сервисов и возможности обработки больших объемов данных. Машинное обучение (machine learning - ML), имевшее место в 1980-х годах, является частью ИИ и определяется как набор методов, которые автоматически обнаруживают закономерности в данных и затем используют эту информацию для прогнозирования будущих данных в неопределенных условиях. Глубокое обучение (deep learning - DL), появившееся в 2000-х годах, является растущей технологией ML, и произвело революцию в мире ИИ. Эти технологии поддерживают многие аспекты современного общества, такие как распознавание объектов в изображениях, перевод языков в реальном времени, управление устройствами с помощью речи (такие как Apple Siri, Amazon Alexa и Microsoft Cortana) и так далее.

В последние годы сфера здравоохранения была в центре внимания для применения ИИ. Многочисленные исследования показали, что алгоритмы DL выполняются на высоком уровне применительно к анализу гистопатологии молочной железы, классификации рака кожи, прогнозированию риска сердечно-сосудистых заболеваний и выявлению рака легких. Эти впечатляющие исследования вдохновляют многочисленные исследования по применению ИИ в офтальмологии. Усовершенствованные алгоритмы ИИ вместе с несколькими доступными базами данных, такими как EyePACS, Messidor и набор данных Kaggle, могут стать прорывом в различных офтальмологических случаях.

Быстрое развитие технологии искусственного интеллекта требует, чтобы врачи и компьютерные специалисты имели хорошее взаимное понимание не только технологии, но и медицинской практики для улучшения медицинского обслуживания в ближайшем будущем».

Авторы ссылаются на несколько исследований других авторов, которые сыграли важную роль в применении ИИ в офтальмологии:

«Miguel Caixinha и Sandrina Nunes представили традиционные методы машинного обучения (conventional machine learning - CML) и рассмотрели применения CML для диагностики и мониторинга мультимодальных заболеваний глаз, без упоминания о DL. Litjens et al. подробно представили различные методы DL для различных задач и представили обзор исследований по областям применения, в то время как раздел «Сетчатка» в основном фокусировался только на изображениях глазного дна. Lee et al. представили развитие ИИ в офтальмологии в целом. Rahimy сосредоточился на применении DL в области офтальмологии, без упоминания о CML. Louis J. Catania и Ernst Nicolitz систематически проанализировали ИИ и роботизированные приложения в различных категориях зрения и ухода за глазами, но мало упоминали о применении ИИ при заболеваниях сетчатки».

В данном обзоре авторы систематически проанализировали применение ИИ (как CML, так и DL) для диагностики заболеваний глаз, в том числе для четырех основных причин слепоты у взрослых: диабетической ретинопатии (diabetic retinopathy  DR), глаукомы, возрастной макулярной дегенерации (age-related macular degeneration  - AMD) и катаракты. Они также представили существующие методы ИИ, офтальмологические методы визуализации, подробные шаги для построения моделей ИИ и оценки метрик в диагностике с использованием ИИ. По мнению авторов, они предоставили как офтальмологам, так и специалистам по компьютерам содержательное и всеобъемлющее резюме по применению ИИ в офтальмологии, которое может содействовать перспективным проектам применения ИИ в области офтальмологии.

По мнению врача Александра Нелина, данный обзор очень интересный, поэтому он хочет привести его полностью, и надеется, что оно покажется интересным его коллегам, врачам-офтальмологам. Вот что пишут авторы WeiLu, YanTong, YueYu, YiqiaoXing, ChangzhengChen и YinShen в своем обзоре:

«Алгоритмы искусственного интеллекта

Как мы упоминали выше, ML является одним из подмножеств ИИ и включает в себя DL и CML. Определяющей характеристикой алгоритмов ML является качество прогнозов, улучшающееся с опытом. Чем больше данных мы предоставляем, тем лучше наша модель прогнозирования.

Контролируемое обучение и неконтролируемое обучение - две формы ML. Контролируемое обучение заключается в обучении модели по уже обозначенным обучающим данным, настройке весов входных данных для повышения точности прогнозов до их оптимизации, а затем  в сопоставлении наборов тестовых данных с соответствующими выходными данными. Это может ускорить процесс классификации и будет полезно для различения клинических результатов. Неконтролируемое обучение заключается в обучении модели с помощью не маркированных данных (без участия человека), что позволяет вывести функцию для описания скрытых структур, которые обычно невидимы для человека, и могут принести новые открытия, такие как новая энцефальная область, относящаяся к болезни Альцгеймера, или новые воздействующие факторы сердечно-сосудистых заболеваний, ранее неизвестные человеку. До сих пор методы, принятые в большинстве научных исследований, относятся к контролируемой форме, потому что точность и эффективность лучше под наблюдением.

При CML можно получить удовлетворительный результат с небольшими наборами данных, но непростой шаг выбора конкретных визуальных функций вручную перед классификацией является обязательным. Этот выбор может привести к набору неоптимальных характеристик и переоснащению (обученная модель не обобщает другие данные, кроме обучающего набора), что ограничивает применение алгоритмов CML. Существующие алгоритмы CML, используемые в диагностике с применением ИИ, включают такие алгоритмы, как деревья решений (decision trees), случайный лес (random forests - RF), метод опорных векторов (support vector machines - SVM), байесовский классификатор (Bayesian classifiers), метод k-nearest neighbors, метод  k-means, линейный дискриминантный анализ и искусственная нейронная сеть (neural networks - NN). Среди них RF и SVM являются наиболее часто используемыми технологиями CML в области офтальмологии.

DL, развивающаяся технология ML, способна обнаруживать сложные структуры в наборах данных без необходимости явного указания правил. Сеть DL - это NN с несколькими слоями между входным и выходным слоями. Это значительно улучшило современный уровень распознавания изображений. Применительно к классификации изображений, основное различие между алгоритмами DL и CML заключается в том, как они выбирают и обрабатывают элементы изображения. В алгоритмах DL особенности входных данных автоматически изучаются без присмотра, избегая ручного сегментирования, отображая области поражений. Однако для обучения алгоритма DL необходим большой набор данных. Трансферное обучение - это переобучение алгоритма, который уже был предварительно обучен на миллионах общих изображений, на конкретном наборе данных. Этот метод позволяет проводить обучение высокоточной модели с относительно небольшим набором обучающих данных.

Алгоритмы DL известны как «чёрные ящики». Сети генерируют всеобъемлющие и сложные функции, которые слишком многомерны, чтобы быть доступными для человеческого понимания. Мало что известно о том, как они анализируют куртинку и принимают решение на уровне изображения. Тепловые карты могут показать, какие пиксели играют роль в прогнозах на уровне изображения. В области медицины визуализация на входном изображении высвечивает возможные аномальные области для будущего обзора и анализа, что может помочь в клинической оценке в реальном времени автоматизированной диагностики во время оказания медицинской помощи.

Существующие методы DL включают в себя долговременную и кратковременную память, машины Больцмана (Boltzmann machines), глубокие рекуррентные нейронные сети и сверточные нейронные сети (convolutional neural networks - CNN).

Среди них наиболее используемый метод DL в области распознавания медицинских изображений - CNN. CNN состоит из нескольких сверточных слоев, которые извлекают элементы и преобразуют входные изображения в иерархические карты объектов: от простых элементов, таких как края и линии, до сложных элементов, таких как формы и цвета. CNN также включает слои, которые могут объединять семантически сходные объекты в один, чтобы уменьшить размерность извлеченных объектов, и слои, которые могут объединять эти объекты и выводить окончательное значение вероятности для класса. Существующие архитектуры CNN, используемые в области распознавания медицинских изображений, включают AlexNet, VGG, ResNet и GoogleNet.

Построение моделей искусственного интеллекта

При диагностике с использованием ИИ применялись различные методы визуализации, такие как рентгенологические изображения (рентген, КТ и МРТ), записи электрофизиологических сигналов (электрокардиограф, электроэнцефалограмма), изображения видимой длины волны (изображения для дермоскопии и изображения биопсии), ультразвуковые изображения, изображения ангиографии и т. д.

Этапы построения модели ИИ включают в себя предварительную обработку данных изображения, обучение, проверку и тестирование модели, а также оценку производительности обученной модели.

1. Предварительная обработка данных. Для повышения эффективности прогнозирования ИИ необработанные данные должны быть предварительно обработаны. Работа по предварительной обработке включает в себя следующее: (1) снижение шума: снижение шума должно выполняться практически во всех соответствующих исследованиях. Снижение шума может повысить качество набора данных и оптимизировать процесс обучения. (2) Интеграция и нормализация данных: данные, собранные из разных источников, должны быть интегрированы и адаптированы к общему масштабу. (3) Выбор и извлечение характеристик: наиболее важные характеристики обычно отбираются и извлекаются для повышения эффективности процесса обучения.

2. Обучение, оценка и тестирование. Для достижения хорошей производительности набор данных случайным образом разбивается на два независимых набора, один для моделирования, а другой для тестирования. В большинстве случаев данные из набора для моделирования будут снова разделены на обучающие и проверочные наборы. Обучающий набор используется чтобы устанавливать параметры модели. Проверочный набор используется для оценки того, насколько хорошо модель была обучена, и для настройки параметров или для сравнения характеристик алгоритмов прогнозирования, достигнутых на основе обучающего набора. Набор для тестирования используется для оценки окончательных характеристик обученной модели.

Методы перекрестной проверки широко используются для оценки и оптимизации алгоритмов. Наиболее распространенной перекрестной проверкой является «К-образная перекрестная проверка»  (“K-fold cross-validation”). Это эффективный метод, позволяющий избежать переоснащения и недостаточной подгонки. Все данные одинаковым образом разделяются на K подмножества, 1 для проверки и K-1 для обучения. Этот процесс будет повторяться K раз, и для оценки обученной модели используются средние показатели. Наиболее часто используются пятикратная перекрестная проверка и 10-кратная перекрестная проверка.

3. Оценка. Кривая рабочих характеристик приемника (receiver operating characteristic - ROC) является полезным инструментом для отображения производительности алгоритмов. Она создается путем построения вероятности обнаружения для каждого алгоритма. Для каждого порога чувствительность и уровень ложноположительных результатов (1 - специфичность) нанесены на график друг против друга. Область под кривыми рабочих характеристик приемника (AUC) является наиболее часто используемой метрикой оценки для количественной оценки модели при диагностике с помощью ИИ. Уровень варьируются от 0,5 до 1; чем выше значение AUC, тем выше производительность модели.

Применение ИИ в офтальмологии

Было опубликовано двести сорок три статьи о применении ИИ в диагностике офтальмологических заболеваний (поиск по PubMed, 20 сентября 2018 г.). Среди них наиболее интенсивно изучаются диабетическая ретинопатия (DR), глаукома, возрастная макулярная дегенерация (age-related macular degeneration  - AMD) и катаракта.

1. Диабетическая ретинопатия. Диабетом страдают более 415 миллионов человек во всем мире, то есть страдает 1 человек на каждые 11 взрослых. DR, хроническое диабетическое осложнение, является васкулопатией, которая поражает треть пациентов с диабетом и может привести к необратимой слепоте. Автоматизированные методы диагностики DR были внедрены для улучшения ведение пациентов с DR и облегчение социальной нагрузки. ИИ использовался для прогнозирования риска DR и прогрессирования DR среди пациентов с диабетом для борьбы с этим всемирным заболеванием.

Специфические нарушения, такие как макулярный отек, экссудаты,  микроаневризма глаза и неоваскуляризация диска зрительного нерва, могут быть обнаружены с помощью CML. Основываясь на этих нарушениях, была разработана ранняя диагностика DR в автоматическом режиме. Кроме того, была разработана система, сфокусированная на своевременном и эффективном обнаружении пролиферативной DR (proliferative DR - PDR), чтобы обеспечить немедленное обнаружение и вмешательство.

Gulshan et al. первыми сообщили о применении DL для идентификации DR. Они использовали большие наборы данных изображений глазного дна для обучения модели методом глубокой CNN (DCNN) под наблюдением. Они показали, что метод, основанный на технике DL, обладает очень высокой чувствительностью и специфичностью, и показатель AUC достигает 0,99 для обнаружения DR. За последние два года было разработано несколько моделей DL с впечатляющими характеристиками для автоматического обнаружения DR.

Кроме того, в некоторых исследованиях применялся метод DL для автоматического определения стадии DR с помощью изображений глазного дна, что компенсировало  недостатки исследования Gulshan, которые заключались в том, что Gulshan et al. Только обнаруживали DR, но не предоставляли сопоставимых данных о стадиях DR, угрожающих зрению, или о других стадиях DR.

Большинство вышеупомянутых исследований были сосредоточены главным образом на анализе фотографий глазного дна. Были и другие способы визуализации, используемые для построения моделей для DR. ElTanboly et al. разработали компьютерную систему на основе DL для обнаружения DR с использованием 52 изображений оптической когерентной томографии (optical coherence tomography -   ОКТ), достигнув уровня AUC 0,98. Несмотря на хорошие результаты в процессе перекрестной проверки, система нуждается в дальнейшей проверке на более крупных выборках пациентов. Система компьютерной диагностики (computer-aided diagnostic - CAD), основанная на алгоритмах CML, использующая изображения оптической когерентной томографии для автоматической диагностики непролиферативной DR (nonproliferative DR - NPDR), также достигла высокой точности и AUC.

Визуализация того, какие пиксели играют важную роль в предсказаниях на уровне изображения, была применена в диагностических моделях DR. Она интуитивно представляет процедуру обучения в сети DL и выделяет важные аномальные области, помогая врачам лучше понять прогнозы DR. Метод визуализации может повысить применимость интеллектуальных диагностических моделей в реальной клинической практике.

2. Глаукома. Глаукома является третьим по величине глазным заболеванием, угрожающим зрению в мире, и оказывает критическое влияние на уровень слепоты. Пациенты с глаукомой страдают от высокого внутриглазного давления, от повреждения головки зрительного нерва (optic nerve head - ONH), от дефектов слоя нервных волокон сетчатки (retina nerve fiber layer - RNFL) и от постепенной потери зрения. Автоматическое обнаружение характеристик, связанных с глаукомой, играет  большую роль для ее своевременной диагностики.

Соотношение площади чашки к площади диска (cup-to-disc ratio - CDR) может быть использовано для выявления пациентов с глаукомой. Основываясь на автоматической локализации ONH и фундус-изображениях,  можно рассчитать CDR, чтобы помочь диагностировать глаукому на ранней стадии с помощью моделей ИИ. OCT спектральной области (Spectrum domain OCT - SD-OCT) является еще одним способом визуализации для оценки CDR. Модель SVM обучается нахождению наиболее вероятного участка на изображениях  OCT для определения и вычисления CDR. Предложенный алгоритм позволяет достичь высокой точности сегментации и низкой ошибки оценки CDR.

Дефекты RNFL могут служить самым ранним признаком глаукомы. Несколько исследователей исследовали диагностическую точность различных методов, используя параметры толщины RNFL для диагностирования глаукомы. Однако пациенты с высокой степенью миопии могут также страдать от уменьшения толщины RNFL. Недавно были опубликованы отчеты о том, как отличить нормальную сетчатку от глаукомы при миопии высокой степени по параметрам  OCT и морфологии диска зрительного нерва. Это указывает на то, что в будущих исследованиях по интеллектуальной диагностике глаукомы мы должны учитывать существование других заболеваний глаз, для повышения точности алгоритмов.

Дефект поля зрения (Visual field - VF) является основным изменением зрительной функции во время развития глаукомы. Недавние исследования показали, что изменения центрального поля зрения могут происходить уже на ранней стадии заболевания, что согласуется с результатами визуальных исследований. Таким образом, раннее обнаружение глаукомных изменений поля зрения имеет важное значение для успешного выявления и лечения глаукомы. Применение методов ML может значительно улучшить выявление дефектов поля зрения при предпериметрической глаукоме. Хотя стандартный автоматический тест на VF играет ключевую роль в диагностике глаукомы, он требует слишком много времени и ресурсов. Более того, такой ручной процесс, который проходят пациенты, является субъективным, и он показал сильную вариабельность в эпидемиологических исследованиях. Комбинация всех упомянутых выше признаков необходима для точного интеллектуального диагноза, поскольку любой из отдельных симптомов не является гарантированным признаком глаукомы. Этот вид исследований показывает отличные результаты в классификации пациентов с глаукомой и со здоровыми глазами. Специалисты в клинической практике могут обращаться к этим прогнозным результатам и лучше принимать решения. Исследования с использованием методов DL для диагностики глаукомы немногочисленны. До настоящего времени изображения глазного дна, поля зрения и широкополосного OCT сканирования были использованы для построения моделей диагностики глаукомы на основе DL. Препериметрическая открытоугольная глаукома (OAG) глаза может быть лучше обнаружена с помощью моделей DL, чем тех, которые получены с помощью методов CML. Целостные и локальные особенности диска зрительного нерва на изображениях глазного дна использовались вместе, чтобы смягчить влияние смещения при определении расположения диска зрительного нерва при диагностике глаукомы. Показатель AUC был 0,8384, что довольно близко к результатам ручного обнаружения.  Li et al. продемонстрировали, что DL с высокой чувствительностью и специфичностью можно применять для выявления глаукомной оптической нейропатии.

3. Возрастная макулярная дегенерация (Age-Related Macular Degeneration — AMD).  AMD является основной причиной необратимой слепоты среди пожилых людей в развитых странах. Целью использования алгоритмов ML является автоматическое выявление повреждений, связанных с AMD, для улучшения диагностики и лечения AMD. Обнаружение друзенов, жидкости, ретикулярных псевдодрузенов и географической атрофии по изображениям глазного дна и SD-OCT с использованием ML уже изучено. Точность обычно превышает 80%, а совпадение результатов показаний моделей DL c мнением специалистов по сетчатке может достигать 90%.

Регресс друзенов, анатомическая конечная точка промежуточной стадии AMD и начало развитой AMD, может быть предсказан с помощью специально разработанного, полностью автоматизированного, основанного на ML классификатора. Bogunovic et al. разработали управляемую данными интерпретируемую прогностическую модель для прогнозирования риска прогрессирования  промежуточной AMD. Были применены этапы автоматического анализа изображений, чтобы идентифицировать и охарактеризовать отдельные друзены на исходном уровне, и их развитие контролировать при каждом последующем посещении. Используя эти характеристики и анализ, они разработали метод ML, основанный на анализе выживаемости, для оценки показателя риска и прогнозирования регрессии отдельных друзенов. Эти автоматические обнаружения злокачественных новообразований в сочетании с интерпретацией активности заболевания выполнимы и имеют потенциал стать мощным инструментом в клинической практике.

Использование ML для прогнозирования потребности в инъекциях фактора роста эндотелия сосудов (vascular endothelial growth factor - VEGF) при заболеваниях глаз, таких как неоваскулярная AMD и PDR, может облегчить пациентам экономическое бремя и облегчить управление ресурсами. Bogunovic et al. вводили соответствующие OCT изображения пациентов с низкими или высокими требованиями к инъекции анти-VEGF в RF для получения прогнозирующей модели.

Твердый показатель AUC от 70% до 80% был достигнут для прогнозирования потребности в лечении. Prahs et al. обучили нейронную сеть DCNN с помощью изображений OCT для облегчения принятия решений относительно инъекции анти-VEGF, и результаты были лучше, чем при использовании CML. Эти исследования являются важным шагом в направлении прогнозируемых интервалов лечения на основе изображений при лечении неоваскулярной AMD или PDR.

Множественные методы CML были применены для автоматической диагностики и оценки AMD. Но самая впечатляющая работа была основана на методах DL за последние 2 года. Treder et al. разработали модель для автоматического обнаружения экссудативной формы AMD по изображениям SD-OCT. В научных исследованиях, основанных на изображениях глазного дна, изображения с AMD были отнесены к 4 классам классификации (нет признаков AMD, AMD на ранней стадии, AMD на промежуточной стадии и развитая AMD), или к классификации с 2 классами (отсутствует или ранняя стадия AMD и промежуточная или развитая стадия AMD).  В современных исследованиях точность диагностики лучше в классификации с двумя классами. Похоже, что DCNN выполняет функцию скрининга в этих экспериментах, и результаты сравнимы с мнениями врачей. Алгоритмы DL также использовались для автоматического выявления патологий, таких как экссудаты, макулярный отек, друзены и хориоидальная неоваскуляризация.

4. Катаракта. Катаракта - это болезнь с помутнением хрусталика, которая беспокоит миллионы пожилых людей. Раннее выявление и лечение могут помочь пациентам с катарактой и улучшить качество их жизни. Алгоритмы ML, такие как RF и SVM, были применены для диагностики и классификации катаракты по изображениям глазного дна, ультразвуковым изображениям и изображениям глаз с видимой длиной волны. Была также построена модель прогнозирования риска помутнения задней капсулы после факоэмульсификации.

Исследователи теперь могут использовать модели DL для диагностики старческой катаракты, но более впечатляющая работа касается детской катаракты. Это одна из основных причин детской слепоты. Long et al. построили систему компьютерной диагностики (computer-aided diagnosis - CAD) на основе CNN для классификации и оценки детской катаракты. Более того, была создана облачная платформа с интегрированным агентом ИИ для многопрофильного сотрудничества между клиниками. Они даже разработали программное обеспечение для клинического применения для офтальмологов и пациентов и применили его в офтальмологическом центре Чжун Шань  (Zhong Shan Ophthalmic Center). Эти предлагаемые методы полезны для улучшения клинического рабочего процесса диагностики катаракты при скрининге большой популяции населения.

В дополнение к DR, глаукоме, AMD и катаракте, ИИ также использовался для диагностики других заболеваний глаз. Алгоритмы ИИ могут быть использованы для выявления кератоконуса или идентификации глаз с доклиническими признаками кератоконуса с использованием данных с камеры Шаймпфлюга (Scheimpflug camera), для оценки роговицы после миопической рефракционной хирургии роговицы, для составления планов хирургического лечения горизонтального косоглазия и для выявления отслойки пигментного эпителия при полипоидной хориоидальной васкулопатии.

Будущее применения ИИ в клиниках

В последние годы техники искусственного интеллекта доказали свою эффективность в качестве диагностического инструмента для выявления различных заболеваний в здравоохранении. Применение ИИ может внести большой вклад в обеспечении поддержки пациентов в отдаленных районах путем обмена экспертными знаниями и ограниченными ресурсами. Хотя точность моделей невероятно многообещающая, мы должны оставаться осторожными и трезвыми, когда рассматриваем, как развернуть эти модели в реальном мире.

В большинстве исследований, касающихся интеллектуальной диагностики заболеваний глаз, основное внимание уделялось проблемам бинарной классификации, тогда как в клинических условиях посещающие пациенты страдают от множественных заболеваний сетчатки. Например, модель, обученная распознавать AMD, не сможет рассматривать пациента с глаукомой как больного, потому что модель обладает способностью отличать только AMD от не-AMD. Choi и его коллеги выполнили работу, применяя DL для автоматического обнаружения множества различных заболеваний сетчатки с помощью фотографий глазного дна. Когда в предложенную модель DL были включены только нормальные изображения и изображения глазного дна, точность классификации составляла 87,4%. Однако точность упала до 30,5%, когда были включены все 10 категорий. Это указало на то, что точность модели снизилась, в то время как количество заболеваний увеличилось. Чтобы еще больше повысить применимость ИИ в клинической практике, мы должны приложить больше усилий для создания интеллектуальных систем, которые могут обнаруживать различные заболевания сетчатки с высокой точностью.

Кроме того, в клинической практике единственное отклонение, обнаруженное с помощью одного метода визуализации, не всегда может гарантировать правильный диагноз определенного заболевания сетчатки (например, DR или глаукома). Мультимодальные клинические изображения, такие как оптическая когерентная томографическая ангиография, поле зрения и изображения глазного дна, должны быть объединены вместе для создания обобщенной системы ИИ для более надежной диагностики с помощью ИИ.

Однако потребность в огромном количестве данных остается самой фундаментальной проблемой. Несмотря на наличие различных наборов данных, они включают лишь небольшую часть заболеваний, от которых страдает человек. Изображений с тяжелыми заболеваниями или редкими заболеваниями особенно не хватает. Характеристики популяции, наличие различных системных заболеваний и фенотипов различных заболеваний следует учитывать при выборе входных данных. В некоторых автоматизированных системах диагностики также необходимы более крупные наборы данных от более крупных групп пациентов в различных условиях, таких как различные этнические группы и среды, для дальнейшей оценки.

Следует учитывать высокую зависимость от качества данных. Различные устройства обработки изображений, различные протоколы обработки изображений и помехи могут влиять на качество данных, что может оказывать огромное влияние на производительность моделей. Помимо предварительной обработки данных, необходимо срочно разработать универсальные полезные методы анализа изображений с различными качествами.

Хотя методы, основанные на DL, в большинстве случаев показывают отличные результаты, их природа «черного ящика» затрудняет интерпретацию того, как алгоритмы принимают решения. В эту эпоху «доказательной медицины» специалистам в клиниках и пациентам трудно поверить в таинственную машину, которая не может объяснить, почему пациенту поставлен диагноз определенной болезни. Более того, методы, которые делают модели ИИ более прозрачными, могут также обнаруживать потенциальную предвзятость в обучающих данных и гарантировать, что алгоритмы работают хорошо. Тепловые карты и тест окклюзии являются двумя из этих методов, которые могут выделить очень возможные аномальные области для предсказаний и сделать модели до некоторой степени интерпретируемыми. Следует разработать и применить больше методов для интерпретации моделей ИИ в диагностике с использованием ИИ. Кроме того, стандарты для систематической оценки этих методов также должны быть рассмотрены и разработаны.

Путем создания интерпретируемых систематических платформ ИИ с использованием достаточного количества высококачественных и мультимодальных данных и передовых методов, мы можем улучшить применимость ИИ в клинических условиях. Когда-нибудь мы могли бы сделать возможным внедрение интеллектуальных систем в определенный процесс клинической работы. С возникновением сложных этических, нормативных и правовых проблем, ИИ внесет значительный вклад в революцию в современной модели диагностики заболеваний и в ближайшем будущем окажет значительное клиническое влияние».

Как врач-офтальмолог, я согласен с выводами авторов, что «Будущая работа по применению искусственного интеллекта в офтальмологии должна быть сосредоточена на создании систематических платформ искусственного интеллекта для диагностики общих заболеваний глаз на основе мультимодальных данных в реальном мире».