Введение

Проблема своевременного и точного разграничения нормы и патологии при диагностике первичной открытоугольной глаукомы (ПОУГ) вместе с очевидной необходимостью определения следов даже минимального прогрессирования заболевания являются приоритетными в современной глаукоматологии [1–4]. Данное утверждение является аксиомой в клинической практике, что подтверждается масштабами проблемы и явным отсутствием ее решения на протяжении последних десятилетий, несмотря на грандиозное развитие рынка диагностических технологий [5, 6]. Начиная с первой половины 1990-х гг. и до середины 2000-х гг.
(т. е. практически полтора десятилетия) акцент диагностического поиска у больных глаукомой был смещен в область совершенствования технологий и приборов. На смену традиционной офтальмоскопии пришло фундус-фотографирование, а с развитием компьютерных технологий появились конфокальная лазерная офтальмоскопия (Гейдельбергская ретинотомография, HRT) и параллельно развивавшаяся лазерная поляриметрия [7]. Позже главенствующее положение заняла оптическая когерентная томография (ОКТ), ставшая одним из самых успешных и широко используемых методов визуализации в офтальмологии. За последние десятилетия разрешение приборов улучшилось в десятки раз, а скорость сканирования увеличилась в сотни раз [8].

Вместе с тем разработка и запуск в серийное производство методов диагностики, проводящих неинвазивное исследование структур глазного дна у больных ПОУГ, — это лишь одно из перспективных направлений. Очевидно, что даже самые точные машины, во-первых, только сравнивают полученные конкретные результаты с нормативной базой, ранее заложенной в их аппаратное обеспечение, а во-вторых, могут анализировать ограниченное количество параметров в силу особенности вычислительных ресурсов. Наконец, один тип исследования (например, структурная диагностика) — это всего лишь единственный, пусть и очевидный, но ограниченный метод диагностики, тогда как в целом диагноз ПОУГ при начальных проявлениях требует сопоставления взаимоотношений достаточного количества параметров, таких как характеристики уровня внутриглазного давления (ВГД), состояние светочувствительности сетчатки и морфометрия диска зрительного нерва (ДЗН) и слоя нервных волокон сетчатки (СНВС), а также ряда других (например, субъективных или социально-гендерных) составляющих и пр. Очевидно, что определение таких взаимоотношений требует значительного напряжения людских и вычислительных ресурсов.

Предпосылки внедрения технологий искусственного интеллекта в медицине

Наряду с совершенствованием классических методик диагностики (например, появление технологии ОКТ с частотно-модулируемым источником оптического излучения, так называемая ОКТ с перестраиваемой длиной волны, или индукционной тонометрии), новый импульс в диагностике и мониторинге возник именно с развитием технологий искусственного интеллекта (ИИ). Сеть ИИ — это математическая модель, а также ее программное или аппаратное воплощение, построенное по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы [9]. В настоящее время ИИ — это отрасль информатики, которая стремится имитировать интеллектуальное поведение человека в компьютерах. Это так называемый «зонтичный» термин, которым объединяют несколько компонентов (машинное обучение (machine learning), глубокое обучение (deep learning) и обработку). ИИ способен извлекать информацию из неструктурированных данных, например таких, как данные клинических протоколов и/или результаты публикаций в медицинских журналах. Метод позволяет превратить наборы информации в структурированные данные, которые затем могут быть проанализированы с помощью методов машинного обучения [10, 11]. Нейронная сеть представлена взвешенными взаимосвязями между обрабатывающими элементами. Эти показатели определяют нелинейную функцию, выполняемую нейронной сетью. Процесс определения таких параметров называется обучением. Таким образом, нейронные сети по своей природе адаптивны, соответствуют неточному, неоднозначному и ошибочному характеру реальных данных. Процедуры обучения могут контролироваться или не контролироваться. Нейронные сети ИИ — это системы, «вдохновленные» биологическими нейронами и способностью мозга обрабатывать информацию массово параллельно. Эти системы способны приобретать знания экспериментально и правильно реагировать на новые случаи (рис. 1).

Современные модели принятия решений на базе нейросетей

Традиционные модели принятия решений помогают объяснить факторы достижения желаемого результата, а ИИ-модели обучаются, опираясь на сведения об отклонении желаемого результата от фактического.

По ряду направлений (машинное и глубокое обучение) удалось добиться значительного прогресса и разработать новые алгоритмы для автоматизации диагностики заболеваний глаз [11, 12], включая скрининг глаукомы на основе цветных изображений глазного дна [13, 14] и ОКТ-данных [15, 16]. В свою очередь, формирование математической модели глаукомы и точное автоматическое обнаружение заболевания остается важной задачей и таким же важным шагом в устранении неопределенности, связанной с ожиданием заболевания (например, в случае с подозрением на глаукому), а также в дальнейшем понимании природы болезни и структурировании всей совокупности ее возможных причин [17]. В целом выделяют три типа ИИ. Узкий (слабый) тип ИИ запрограммирован на линейную функцию, и многие технологии, применяемые в нашей повседневной жизни, используют именно его. Например, к ним относятся спам-фильтры электронной поч­ты, Facebook и Google search. Общий (сильный) тип ИИ является следующим шагом в развитии. Считается, что с таким типом ИИ компьютер был бы также умен, как человек. Такие сети могли бы рассуждать, планировать, решать проблемы и мыслить абстрактно. Наконец, искусственный суперинтеллект выходит далеко за пределы нашего биологического диапазона знаний и умений. Он характеризуется, как интеллект, который в 1 трлн раз умнее, чем лучшие человеческие мозги практически во всех областях, и является делом будущего. Сверточные нейронные сети ИИ — это категория искусственных нейронных сетей, которые доказали свою эффективность в таких областях, как распознавание изображений и видеоданных, картографии, классификация и распознавание речи, сетевого трафика, банковских трансакций. Сверточные нейронные сети используют особую архитектуру, которая делает их хорошо приспособленными для распознавания графических объектов, в то время как другие сети рассматривают соседние входные пиксели на тех же условиях, что и удаленные, сверточные нейронные сети пользуются преимуществами топологии. Такие сети быстрее обучаются [18]. Сверточные сети используют несколько идентичных копий одного и того же нейрона. Сети имеют четыре основные операции: 1) свертка; 2) нелинейность; 3) объединение или субвыборка; 4) классификация. Эти операции действуют на изображения, которые могут быть представлены в виде матрицы со значениями пикселей [19].

Нейросети в глаукоматологии

Следует помнить, что изначально даже предлагаемые модели машинного обучения в большинстве исследований касались лишь одного вида изображений и использовали не самую современную техническую базу. Например, ранее проводился машинный анализ отличий пациентов с глаукомой от здоровых лиц по цвету ДЗН, что отличается от реальной клинической практики, в которой зачастую требуется определение комбинации диагностических признаков в силу полиморфизма проявления заболевания [20].

Несколько позже были представлены результаты искусственной нейронной сети, обученной распознавать глаукоматозные дефекты поля зрения, с целью сравнения ее диагностической точности с точностью других алгоритмов, предложенных для обнаружения периметрических дефектов [21]. Всего были отобраны результаты стандартной автоматической периметрии (протокол SITA Standard 30–2, Humphrey 740i, Carl Zeiss-Meditec Inc., Германия) 100 пациентов с глаукомой и 116 здоровых участников. Результаты больных ПОУГ, включенные в анализ ИИ, имели начальные изменения светочувствительности (медиана MD —6,16 дБ). ИИ достиг чувствительности 93% при уровне специфичности 94% и характеристике ROC-анализа 0,984. Глаукомный тест полуполей (Hemifield test) показал чувствительность 92% при 91% специфичности. Стандартное отклонение паттерна при достоверности р<5% имело чувствительность 89% при специфичности 93%, тогда как при достоверности изменений р<1% чувствительность и спе­цифичность составили 72% и 97% соответственно. Кластерный алгоритм показал чувствительность 95% и специфичность 82%. Авторы установили высокую диагностическую эффективность использованной сети ИИ при изучении протоколов периметрии.

Еще позже пришло понимание, что обучение ИИ будет более быстрым, а диагностический поиск — более эффективным, если при анализе информации принимать во внимание некую совокупность параметров. Так, D.A.B. Oliveira et al. (2009) внесли в сеть ИИ 14 параметров 256 пациентов с начальной стадией ПОУГ [22]. В анализ были включены данные пола, возраста, отдельные структурные характеристики ДЗН и СНВС и их взаимоотношения, полученные как при помощи традиционной офтальмоскопии, так и при помощи ОКТ. Помимо всего прочего, интерес в данной работе был сфокусирован на возможности независимой оценки полученных результатов, не относящихся к ОКТ-исследованию. Фактически речь шла о разграничении тонкой структурной диагностики (ОКТ) и эффективности работы ИИ, анализирующей иные показатели, не зависимые от результатов когерентной томографии. Обе сети успешно справились с поставленной задачей, достигнув показателей чувствительности и специфичности выше 84% у пациентов с признаками начальной стадии глаукомы. Еще через год D. Bizios et al. (2010), сравнив работу ИИ и векторных машин (предыдущее поколение автоматической диагностики), проанализировали результаты исследования глазного дна при помощи ОКТ (Stratus, Carl Zeiss-Meditec Inc., Германия) 62 пациентов с начальной ПОУГ и 90 здоровых лиц [23]. При этом они не нашли достоверных отличий при применении двух методов классификации. Показатели ROC-анализа ИИ составили 0,982; 95% доверительный интервал (ДИ): 0,966–0,999, а векторных машин — 0,989; 95% ДИ: 0,979–1,0, p>0,05. Авторы посчитали нужным сообщить, что вносимые в сети исходные параметры оказывают большее влияние на диагностическую точность, чем тип машинного классификатора. S. Karthikeyan et al. (2012) обучили ИИ по данным лазерной сканирующей офтальмоскопии, в которой анализу была подвергнута форма ДЗН 45 пациентов с начальной стадией глаукомы и 46 здоровых лиц, и нашли, что общий коэффициент классификации патологических ДЗН составил 86,7%, специфичность — 88,9%, чувствительность — 84,4% [24].

F. Silva et al. (2013) проанализировали данные 62 пациентов с ПОУГ и 48 здоровых добровольцев и установили, что наиболее важными для обучения ИИ показателями являются данные ОКТ и стандартной автоматической периметрии в комбинации (ROC-анализ — 0,946, p<0,05) [25].

Е. Oh et al. (2015) с целью повышения эффективности диагностики ПОУГ попытались найти скрининговый метод дифференциальной диагностики глаукомы и офтальмогипертензии (ОГ) без выполнения исследования поля зрения [26]. В этом масштабном исследовании были обследованы 8958 участников, из которых отобраны 386 пациентов с подозрением на глаукому. Были созданы 5 моделей прогнозирования риска развития ПОУГ с использованием многомерной логистической регрессии и ИИ и с включением различных клинических переменных: пол, возраст, наличие менопаузы (у женщин), уровень ВГД и продолжительность ОГ, рефрактометрические особенности пациентов, а также отдельные морфометрические характеристики и ряд других (всего более 60) факторов. В 292 случаях диагноз ПОУГ не был подтвержден, а у 94 пациентов была диагностирована глаукома. Среди 5 моделей прогнозирования риска модель ИИ с указанными выше 9 факторами показала наличие заболевания с точностью более 84,0%, чувствительностью 78,3% и специфичностью 85,9% (ROC-анализ — 0,890). Хотя тесты исследования поля зрения считаются наиболее важным обследованием для отличия ПОУГ от ОГ, их иногда нецелесообразно проводить, например во время крупномасштабных медицинских осмотров. Подход с использованием ИИ может быть экономически эффективным инструментом скрининга.

S.J. Kim et al. (2017) провели обучение ИИ, проанализировав данные 494 пациентов (297 больных глаукомой и 202 здоровых добровольца) [27]. В число изучаемых параметров попали: пол, возраст, уровень ВГД, толщина роговой оболочки в центральной зоне (ЦТР), показатели толщины СНВС и периметрические индексы — среднее отклонение (MD — mean deviation), паттерн стандартного отклонения (PSD — pattern standard deviation) и индекс измерения поля зрения (VFI — visual field index) в динамике наблюдения, а также Hemifield test. Наиболее эффективной оказалась сеть ИИ, которая включала показатели в такой последовательности: возраст, уровень ВГД, ЦТР, средняя толщина СНВС, Hemifield test, MD и PSD. По данным авторов, точность метода составила 98% при чувствительности 98,3%, специфичности 97,5% и ROC-анализе 0,979.

U. Raghavendra et al. (2018) обучили сеть ИИ, включив в анализ 18 различных системных и офтальмологических факторов, используя 1426 изображений глазного дна (589 здоровых добровольцев, 837 пациентов с начальной и развитой стадиями глаукомы). Была достигнута очень высокая точность — 98,13%, чувствительность составила 98%, специфичность — 98,3% [28].

К. Park et al. (2018) оценили отношение плотности макулярных сосудов (ПМС) и толщины внутреннего плексиформного слоя ганглиозных клеток сетчатки (ВПС ГКС) с целью сравнения их диагностических возможностей при помощи нового комбинированного параметра с использованием нейронной сети ИИ [29]. В общей сложности было проанализировано 173 снимка: 100 — для проведения теста, 73 — для обучения. Тестовая группа состояла из 32 снимков здоровых лиц, 33 снимков больных с начальной стадией глаукомы и 35 сканов больных со 2-й стадией болезни. Параметры ПМС и ВПС ГКС измеряли с использованием спектральной модели ОКТ. Для исследования зависимости плотности макулярных сосудов от толщины ВПС ГКС использовались различные регрессионные модели. Для определения комбинированного параметра использовалась многослойная нейронная сеть ИИ с одним скрытым слоем. Корреляционный анализ у всех испытуемых показал значительную взаимосвязь между двумя анализируемыми показателями во всех секторах (r=0,27–0,56; p≤0,006). При сравнении показателей здоровых лиц и больных с начальной стадией глаукомы диагностическая сила (AROC) показателя ВПС ГКС составила 0,67–0,81, что было намного лучше, чем AROC плотности макулярных сосудов (0,50–0,60). Однако когда информация была объединена в единый комбинированный параметр, были получены значительно улучшенные диагностические характеристики (AROC=0,87). Авторы установили, что плотность расположения макулярных сосудов у пациентов с глаукомой значительно снижалась и демонстрировала почти линейную корреляцию с характеристиками толщины ВПС ГКС.

Z. Li et al. (2018) предложили систему глубокого обучения классификации глаукомной оптической нейропатии (ГОН), ретроспективно изучив 48 116 цветных фотографий глазного дна [30]. С этой целью был нанят 21 специально подготовленный офтальмолог. Референтные значения ГОН определялись как вертикальное отношение максимального размера экскавации к диаметру ДЗН (Э/Д), равное 0,7 или более, и/или другие типичные изменения. Эталонный стандарт составлялся до тех пор, пока 3 исследователя не достигали единого мнения в оценке фотографий. Противовесом «физическим» докторам была использована сеть ИИ, при анализе работы которой была достигнута очень высокая характеристика ROC-анализа (0,986) с чувствительностью 95,6% и специфичностью 92,0%. Наиболее распространенными причинами ложноотрицательной оценки были сопоставления характеристик ГОН с сопутствующими состояниями глаз, включая патологическую или высокую близорукость (42,6%), диабетическую ретинопатию (4,6%) и возрастную макулодистрофию (3,4%). Основной причиной ложноположительных результатов были другие состояния глаз, главным образом физиологические особенности формы экскавации (55,6%). Авторы установили, что система ИИ может обнаруживать ГОН с высокой чувствительностью и специфичностью, а сосуществование высокой или патологической близорукости является наиболее распространенной причиной, приводящей к ложноотрицательным результатам.

F. Ranadive et al. (2018) выделили 2 модели ИИ, включив в обе 18 диагностических критериев. При этом первая модель нейронной сети была запрограммирована на 4 результата (есть глаукома или нет глаукомы, а также на определение открытоугольной и закрытоугольной форм заболевания) [31]. Вторая нейросеть был запрограммирована на 7 результатов. Помимо указанных выше это были: ОГ, глаукома нормального давления и вторичная глаукома. В исследование были включены данные 106 больных с верифицированной ранее глаукомой и лица контрольной группы. Модель ИИ № 1 показала точность классификации 97,6%, при этом точность у здоровых лиц составила 100%, а у больных с разными формами глаукомы — от 93,4 до 98,7%. Модель ИИ № 2 показала точность 94,9% (у лиц контрольной группы — 100%, у больных глаукомой — от 95,4% до 99,6%). Авторы доказали, что многослойная нейронная сеть с контролируемым обучением показывает хорошие результаты в работе с маркерами глаукомы; предложенная нейронная сеть диагностики может быть полезна для идентификации разных форм глаукомы.

R. Gayathri, P.V. Rao (2018) создали нейросеть, обучив ее с помощью показателей площадей ДЗН, экскавации и их соотношения [32]. В качестве критерия была использована следующая классификация Э/Д: от 0 до 0,36 — норма, от 0,36 до 0,5 — 1-я стадия болезни, от 0,5 до 0,7 — развитая стадия глаукомы, >0,7 — далеко зашедшая стадия ПОУГ. В этой работе был реализован алгоритмический подход к идентификации глаукомы путем извлечения отдельных данных из базы данных изображений глазного дна. Предлагаемая система обладает большей точностью по сравнению с существующей классификацией глаукомы. Более того, такая технология является рентабельной и может быть использована в клиниках, т. к. исключает человеческую ошибку в диагностическом поиске. В будущем представленная система может быть включена в ИИ для классификации других аномалий глаза, а также для целей телемедицины.

J.M. Ahn et al. (2018) построили модель глубокого обучения для диагностики глаукомы с помощью фотографии глазного дна [33]. В исследование были включены 1542 фотографии (786 от здоровых лиц, 467 случаев доказанной глаукомы с признаками прогрессирования и 289 фото пациентов с начальной стадией глаукомы). Эти наборы данных использовались для построения простой логистической классификации и сверточной нейронной сети. Простая логистическая классификационная модель показала точность обучения 82,9%, валидационную точность 79,9% и тестовую точность 77,2%. Сверточная нейронная сеть достигла точности и площади под ROC-кривой 92,2% и 0,98 по данным обучения, 88,6% и 0,95 — по данным валидации, 87,9% и 0,94 — по контрольным данным. Обученная модель ИИ достигла точности и площади под ROC-кривой 99,7% и 0,99 по данным обучения, 87,7% и 0,95 — по данным валидации, 84,5% и 0,93 — по контрольным данным. Было установлено, что как выраженная и прогрессирующая глаукома, так и начальная стадия болезни могут быть уверенно диагностированы с помощью машинного обучения при использовании только фотографии глазного дна. Данная модель, которая обучается с использованием сверточной нейронной сети, была более эффективна для диагностики начальной стадии глаукомы, чем ранее представленные модели.

F Li. et al. (2018) для разработки нейронной сети, способной проводить дифференциальную диагностику нормы и глаукомы, отобрали тесты полей зрения (протоколы SITA Standard 30–2 и 24–2, Humphrey 750i, Carl Zeiss-Meditec Inc., Германия) с критериями надежности в виде потери фиксации менее 2 из 13 моментов и ложноположительными и отрицательными коэффициентами менее 15% из 3 различных офтальмологических центров в материковом Китае [34]. Всего было отобрано 4012 протоколов поля зрения от 1352 пациентов, которые были разделены на 2 набора тестирования: 3712 — для обучения и 300 — для проверки. Были получены статистически достоверные различия таких показателей, как возраст (р=0,0022), VFI (р=0,0001), MD (р=0,0039) и PSD (р=0,0001). В группе контроля точность сети ИИ достигла 87,6% со специфичностью и чувствительностью 82,6% и 93,2% соответственно. В экспериментах также были реализованы и оценены 3 традиционных алгоритма машинного обучения, которые достигли точности 0,670, 0,644 и 0,591 соответственно. Помимо этого, были проанализированы ответы врачей: резидентов, обычных клиницистов и профессоров-экспертов в области изучения глаукомы, средняя точность установления корректного диагноза составила 0,607, 0,585 и 0,626 соответственно. На рисунке 2 представлен пример сети ИИ, использованной в работе. Цифровые обозначения в верхней части рисунка — это формат изображения, вырезанного из исходного печатного периметрического отчета и задаваемый нейронной сети для обучения (в пикселях); pool 1–5 — порядок серии снимков, представленной для обучения нейронной сети (сверточные слои); fc6/7/prob — финальная серия снимков (результат) [35].

Авторы напомнили, что в результатах исследований Advanced Glaucoma Intervention Study (Исследование по изучению результатов лечения глаукомы, 1994) и Glaucoma Staging System 2 (Система классификации глаукомы 2, 2006) была достигнута точность 0,459 и 0,523 соответственно [35, 36]. Таким образом, алгоритм, основанный на использовании сетей ИИ, достиг более высокой точности в дифференциации глаукомных изменений при анализе результатов полей зрения.

R. Asaoka et al. (2019) построили и оценили эффективность модели ИИ глубокого обучения для диагностики ранней глаукомы по данным спектральной когерентной томографии (SD OКT) [37]. Исследование включало данные предварительного обучения 4316 ОКТ-изображений (RS-3000, Nidek, Япония), полученных от 1371 глаза больных с разными стадиями ПОУГ и 193 глаз здоровых добровольцев. Обучение сети ИИ проводилось с использованием ОКТ-сканов 94 глаз пациентов с начальной стадией ПОУГ (показатель MD >-5,0 дБ) и 84 глаз лиц контрольной группы. Тестирование включало ОКТ-сканы 114 глаз пациентов с 1-й стадией глаукомы (показатель MD >-5,0 дБ) и 82 глаза лиц контрольной группы. В случае если сеть ИИ предварительно обучалась, показатель точности (AROC) составлял 93,7%, а без процесса подготовки он находился в интервале от 76,6% и 78,8%. Авторы также отметили, что в случае использования классических алгоритмов машинного обучения, например метода «дерева решений» (random forest) или метода «опорных векторов» (Support vector machine, SVM), были получены значительно меньшие значения AROC (82,0% и 67,4% соответственно). В итоге было сделано заключение о том, что модель сети ИИ с использованием результатов ОКТ-диагностики обеспечивает существенное повышение диагностической эффективности.

Похожее исследование было продемонстрировано G. An et al. (2019) [38]. Их целью стала разработка алгоритма машинного обучения для диагностики глаукомы на основе данных ОКТ (3D OCT-2000, Topcon, Япония) и цветных изображений глазного дна (фундус-фотографий). В этом исследовании были зарегистрированы 208 глаукомных и 149 здоровых глаз. Для обучения сети ИИ были использованы следующие типы входных изображений: изображение глазного дна ДЗН в оттенках серого цвета, карта толщины СНВС ДЗН и их изменений, карта толщины комплекса ганглиозных клеток макулярной зоны и их изменений. Показатель точности исследования под ROC-кривой составил 0,940 для цветных фундус-фотографий глазного дна; 0,942 для карт толщины СНВС; 0,944 для толщины комплекса ганглиозных клеток макулярной зоны; 0,949 для карт отклонения СНВС и ДЗН и 0,952 для отклонений толщины комплекса ганглиозных клеток макулярной зоны. Показатель точности по всем пяти показателям составил 0,963. Предложенная авторами система машинного обучения может точно различать глаукомные и здоровые глаза на основе ОКТ-изображений и цветных фундус-изображений глазного дна, что позволит повысить точность диагностики глаукомы.

Сразу 2 работы были посвящены обучению сетей ИИ при анализе структуры мембраны Бруха (МБ).

Так, M.S. Miri et al. (2017) смогли обучить сеть ИИ для автоматического обнаружения точной идентификации местоположения минимального расстояния между двумя противоположными краями МБ (Bruch’s membrane openinig, BMO) [39]. Предложенный метод обучения был апробирован на 44 пациентах с глаукомой и оценен с использованием мануальных разграничений, выполненных экспертами. Результаты показали, что предложенный метод с использованием сети ИИ успешно идентифицирует местоположение BMO, при его использовании значительно меньше ошибок, чем при существующих рутинных подходах к идентификации.

А.С. Tompson et al. (2019) предложили алгоритм глубокого обучения для оценки повреждения нейроретинального пояска (НРП) по фотографиям глазного дна, выполненным при помощи SD ОКТ, используя анатомические особенности МБ, в частности площадь поверхности от края МБ до внутренней пограничной мембраны (BMO-MRW) [40]. В общей сложности были отобраны 9282 пары снимков ДЗН, из которых обучению были подвергнуты 80% сканов, тестированию — 20%. Была обучена сверточная нейронная сеть ИИ для прогнозирования общих и секторальных значений показателя BMO-MRW. Результаты, представленные ИИ, были сопоставлены с фактическими измерениями, выполненными при помощи OКT. Результаты сети ИИ по общему показателю BMO-MRW в тестовом наборе снимков составили 228,8±63,1 мкм, что сильно коррелировало с фактическими значениями, полученными при помощи ОКТ-исследования: 226,0±73,8 мкм; r=0,88; r2=77%; p<0,001. Средняя абсолютная погрешность предсказаний — всего 27,8 мкм. Показатели AROC составили 0,945 (95% ДИ: 0,874–0,980) и 0,933 (95% ДИ: 0,856–0,975) соответственно, р=0,587. Таким образом, можно «натренировать» сеть ИИ для того, чтобы определить повреждение НРП, используя анатомические особенности МБ.

По большей части предыдущие подходы, использующие алгоритмы глубокого обучения для классификации глаукоматозных повреждений с использованием фотографий глазного дна, были ограничены требованием экспертной маркировки человеком эталонного набора. F.A. Medeiros et al. (2019) предложили новый подход с использованием данных SD OКT для внедрения алгоритма глубокого обучения количественной оценки глаукоматозных структурных повреждений [41]. Набор данных включал 32 820 пар фотографий ДЗН и СНВС (SD ОКТ) от 1198 субъектов (2312 глаз). Для оценки фотографий ДЗН и прогнозирования средней толщины СНВС (SD OКT) была обучена сверточная нейронная сеть глубокого обучения. Производительность алгоритма оценивалась в независимой контрольной выборке. Прогноз средней толщины СНВС по всем снимкам ДЗН в группе контроля составил 83,3±14,5 мкм, тогда как средняя толщина СНВС по всем ОКТ-снимкам, включенным в исследование, — 82,5±16,8 мкм (p=0,164). Между предсказанными и наблюдаемыми значениями толщины СНВС наблюдалась очень сильная корреляция со средней абсолютной погрешностью предсказаний всего 7,39 мкм (r=0,832; р<0,001). Характеристики ROC-анализа составили 0,944 (95% ДИ: 0,912–0,966) и 0,940 (95% ДИ: 0,902–0,966) соответственно (р=0,724). Авторы сделали вывод, что такой подход потенциально может быть использован для диагностики начальных повреждений ДЗН и определения стадии глаукоматозного повреждения ДЗН при анализе обычных фундус-фото.

Ограничения использования сетей ИИ

Очевидно, что сети ИИ будут играть все большую роль в глаукоматологии в частности и в здравоохранении в целом, т. к. могут значительно изменить качество диагностики и мониторинга [42].

Вместе с тем существует несколько явных ограничений и проблем, которые, вероятнее всего, возникнут вместе с интеграцией таких сетей в медицину.

Во-первых, явно прогнозируется ситуация с возросшей зависимостью от автоматизации и технологий, которая может привести к демотивации мышления у врачей, что негативно влияет на способность будущих врачей принимать обоснованные решения и формировать мнения на основе обнаруживаемых признаков и симптомов. Фактически речь идет об изменении клинического мышления.

Во-вторых, программы ИИ не всегда могут принять полностью целостный подход к клиническим сценариям течения болезни и в полной мере учитывать социальные и психологические аспекты болезни, которые часто принимаются во внимание квалифицированным клиницистом.

В-третьих, ИИ требует обязательного набора данных для его обучения в качестве эталонного стандарта для получения точных результатов, чего не наблюдается при начальной стадии заболевания.

В-четвертых, для получения высоковероятного качественного результата программного распознавания программы ИИ требуют безукоризненной точности обучения, сопровождающейся отсутствием ошибок при обучении программ на большой выборке сложных многопараметрических данных, что на практике осложняется человеческим фактором.

Наконец, программы ИИ часто не в состоянии учесть неочевидность, присущую тактике наблюдения и принятия решений в клинической медицине. Это особенно актуально для глаукомы из-за существующих противоречий, разногласий между врачами при трактовке результатов, например, вследствие ее полиморфизма.

Очевидно, что нам еще предстоит осмыслить особенности технологии, которую мы, вероятно, будем использовать для лечения наших пациентов в ближайшем будущем.

Заключение

Компьютерные технологии все чаще используются при принятии медицинских решений, а благодаря методам ИИ в последнее время достигнуты значительные успехи в медицине [43]. С их помощью можно успешно анализировать и классифицировать данные полей зрения, структуры зрительного нерва (в первую очередь речь идет о данных, полученных при помощи ОКТ и фундус-фотографирования), биомеханические свойства глаз и их сочетание для определения тяжести заболевания, его прогрессирования и/или направления на специализированное лечение.

Кроме того, и это является одним из главных преимуществ ИИ, он способен одновременно анализировать бесконечное множество переменных, что особенно важно с учетом мультифакториального характера возникновения и прогрессирования ПОУГ. Так, например, мы имеем возможность вводить для анализа и социально-
экономические, и медицинские показатели в различных комбинациях. Помимо этого, благодаря сэкономленному за счет использовании ИИ времени мы можем больше внимания уделять пациентам.

В настоящее время алгоритмы диагностического поиска у больных глаукомой претерпели очередные изменения, становясь все более сложными. Сообщается о впечатляющей эффективности работы новых алгоритмов с использованием ранее невидимых (неочевидных) данных, часто превосходящей эффективность стандартных методов исследования и результаты оценки экспертов.

Для совершенствования существующих методологий в будущих работах необходимо использовать более надежные классификационные признаки болезней (возможно, именно ИИ будет способствовать этому), оптимизировать ввод данных для анализа результатов работы нейросетей, а также усовершенствовать методы усвоения полученной информации.

ИИ, безусловно, обладает пока не до конца оцененным потенциалом в области скрининга, диагностики, мониторинга и классификации ПОУГ как за счет автоматизированной обработки больших массивов данных, так и за счет более раннего обнаружения заболевания.

Технологии ИИ обещают фундаментально изменить исследования, направленные на понимание механизмов развития, прогрессирования и лечения глаукомы, путем выявления новых факторов риска и оценки важности существующих.

Сведения об авторах:

^1,2Куроедов Александр Владимирович — д.м.н., профессор кафедры офтальмологии, начальник офтальмологического отделения, ORCID iD 0000-0001-9606-0566;

³Остапенко Григорий Александрович — д.т.н., профессор кафедры систем информационной безопасности, ORCID iD 0000-0002-1015-5407;

²Митрошина Ксения Владимировна — клинический ординатор, ORCID iD 0000-0002-4763-3759;

^2,4Мовсисян Анна Борисовна — врач-офтальмолог, аспирант кафедры офтальмологии, ORCID iD 0000-0001-8233-0385.

¹ФКУ «ЦВКГ им. П.В. Мандрыка» Минобороны России. 107014, Российская Федерация, г. Москва, ул. Б. Оленья, д. 8а.

²ФГБОУ ВО РНИМУ им. Н.И. Пирогова Минздрава России. 117997, Российская Федерация, г. Москва, ул. Островитянова, д. 1.

³ФГБОУ ВО «ВГТУ» Минобрнауки России. 394006, Российская Федерация, г. Воронеж, ул. 20-летия Октября, д. 84.

⁴ГБУЗ «ГВВ № 2 ДЗМ». 109472, Россия, г. Москва, Волгоградский пр-т, д. 168.

Контактная информация: Куроедов Александр Владимирович, e-mail: akuroyedov@hotmail.com. Прозрачность финансовой деятельности: никто из авторов не имеет финансовой заинтересованности в представленных материалах или методах. Конфликт интересов отсутствует. Статья поступила 12.06.2019.

About the authors:

^1,2Alexandr V. Kuroyedov — MD, PhD, Professor of the Department of Ophthalmology, Head of Ophthalmological Department, ORCID iD 0000-0001-9606-0566;

³Grigory A. Ostapenko — PhD, Professor of the Department of Information Security Systems, ORCID iD 0000-0002-1015-5407;

²Ksenia V. Mitroshina — resident, ORCID iD 0000-0002-4763-3759;

^2,4Anna B. Movsisyan — MD, postgraduate student Department of Ophthalmology, ophthalmologist,
ORCID iD 0000-0001-8233-0385.

¹Central Military Clinical Hospital named after P.V. Mandryka. 8A, Bol’shaya Olen’ya str., Moscow, 107014, Russian Federation.

²Pirogov Russian National Research Medical University. 1, Ostrovityanova str., Moscow, 117997, Russian Federation.

³Voronezh State Technical University. 84, 20-letiya Oktyabrya str., Voronezh, 394006, Russian Federation.

⁴Hospital for Disabled Veterans No. 2. 168, Volgogradskiy av., Moscow, 109472, Russian Federation.

Contact information: Alexandr V. Kuroyedov, e-mail: akuroyedov@hotmail.com.

Financial Disclosure: no author has a financial or property interest in any material or method mentioned. There is no conflict of interests. Received 12.06.2019.