Применение методов искусственного интеллекта при глаукоме. Часть 1. Нейросети и глубокое обучение в скрининге и диагностике глаукомы

Глаукома — одно из основных заболеваний глаз с прогрессирующей потерей зрительных функций, значительно снижающих качество жизни пациентов [1]. Несмотря на стремительно развивающиеся технологии визуализации структур глаза [2, 3], на долю невыявленной глаукомы во всем мире приходится более половины случаев заболевания [4]. Кроме того, по данным A. Doozandeh и соавт. (2023), среди обратившихся за офтальмологической помощью за последние 12 мес в 54% случаев диагноз первичной открытоугольной глаукомы (ПОУГ) не был установлен [5].

Выявление пациентов, входящих в группу риска в отношении развития глаукомы, имеет первостепенное значение, позволяя целенаправленно подходить к диагностике. Применение методов искусственного интеллекта (ИИ) для обработки изображений, полученных с портативных устройств (например, смартфонов, планшетов, оснащенных программами скрининга), — революционный шаг в области профилактики глаукомы. Своевременная диагностика глаукомы предопределяет раннее лечение, возможности которого на начальных стадиях, безусловно, шире в контексте сохранения зрения.

ИИ — это способность компьютерных систем моделировать когнитивные функции, традиционно свойственные человеку (обучение, решение интеллектуальных и творческих задач). Системы ИИ, например нейросети, стремятся к многозадачности по аналогии с нейронами человека, которые соединены в сложную сеть, отвечающую за память, поведение, мышление.

В русской литературе, включая научную, понятие «искусственный интеллект» искажено стараниями журналистов и популяризаторов метода, придавших ему сильный антропоморфный оттенок. В английском языке слово Intelligence означает не интеллект (Intellect), а лишь способность применять знания и навыки. Правильный перевод — образованная, или обученная, машина. Сходная ситуация и с термином Machine learning, который должен переводиться не как «машинное обучение», а как «обучение машины». Разница в том, что, используя методы ИИ, компьютер может перевести рассказ с одного языка на другой (Intelligence), но не может написать новый рассказ (Intellect), может решить уравнение, но не может придумать метод для его решения.

Методы ИИ основаны на сложных алгоритмах, зависящих от многих параметров, с помощью которых модель можно оптимизировать, приблизив ее к экспериментальным данным. Этот процесс называется обучением модели. Такая адаптивность методов ИИ является, в то же время, причиной их главного недостатка — склонности к переобучению. Суть проблемы состоит в том, что оптимизированная модель, идеально приспособленная к имеющимся данным, теряет способность к интерпретации новых данных, отличающихся от использованных при обучении. Единственное лекарство от переобучения — это валидация, т. е. постоянная проверка моделей ИИ на новых данных. Однако для того, чтобы провести обучение и валидацию, требуется большое количество данных. Усложнение модели предполагает увеличение объема данных. Другая особенность (недостаток) методов ИИ — требовательность к объему обучающего набора. Кроме упомянутых, есть и другие проблемы, заслуживающие внимания: трудности при содержательной интерпретации результатов и сложности в случае большого числа переменных, большего, чем число наблюдений.

Применение методов ИИ расширяет доступность медицинских услуг в офтальмологии и снижает экономические затраты [6]. Расшифровка данных инструментальных исследований с помощью нейросетей, обученных дифференцировать патологию и норму либо несколько патологий, аналогична работе опытного специалиста. Автоматизация анализа визуализации позволяет обрабатывать большие массивы данных, снижая нагрузку на медицинский персонал.

Одним из современных подходов, используемых в построении моделей ИИ, является сверточная нейронная сеть (Convolutional Neural Networks, CNN) — нейронная сеть особого типа, помогающая компьютерам «видеть» и интерпретировать изображения. Преимущество CNN заключается в более точном анализе сложных изображений, таких как фотографии глазного дна для скрининга глаукомы.

CNN состоят из трех типов слоев, при этом с каждым слоем сложность модели увеличивается, идентифицируются более подробные части изображения. В отличие от традиционных методов машинного обучения, CNN позволяют анализировать входные данные без предварительной ручной обработки [7]. На первом этапе CNN модель «учится» на большом обучающем наборе изображений. В процессе обучения происходит сложный процесс оптимизации слоев сверточной сети и множество других процессов, чтобы снизить вероятность расхождений между прогнозом нейросети и правильной интерпретацией. На втором этапе CNN валидируется — проверяется на проверочном наборе изображений. В процессе проверки выявляются потенциальные проблемы, требующие переобучения. На третьем этапе нейросеть может анализировать новые неизвестные данные. Существует множество моделей CNN, например Residual Network (ResNet), Cycle Generative Adversarial Network (CycleGAN), Inception v3 и т. д., каждая из которых имеет свои характеристики и преимущества. Анализируя большие наборы данных, CNN может идентифицировать даже минимальные патологические изменения в диске зрительного нерва (ДЗН), позволяя выявить глаукому на ранней стадии.

Графическое отображение CNN в классификации методов искусственного интеллекта представлено на рис. 1.

Рис. 1. Графическое изображение классификации методов ИИ.

Глаукома на ранних стадиях часто протекает бессимптомно, поэтому выявление доклинических стадий имеет решающее значение для своевременного лечения. Между тем оценка эффективности скрининговых методов, направленных на выявление глаукомы, с точки зрения баланса польза/затраты, по мнению экспертов (US Preventive Services Task Force Recommendation Statement), пока не определена [8].

Алгоритмы ИИ для диагностики глаукомы ориентированы на ряд методов исследования: фоторегистрация глазного дна [9—13], оптическая когерентная томография (ОКТ) заднего [14—17] и переднего (AS-OCT) отрезков глаза [18—23], гониофотография [24, 25], ультразвуковая биомикроскопия [26, 27], стандартная автоматическая периметрия (САП) [28], электроэнцефалография [29], ОКТ-ангиография [30].

Z. Li и соавт. (2021) использовали для выявления глаукомной оптической нейропатии по фотографиям глазного дна нейронную сеть InceptionResNetV2, основанную на 22 972 изображениях 10 590 пациентов из четырех клиник Китая и Японии [31]. CNN продемонстрировала чувствительность 97,5—98,2% и специфичность 94,3—98,4% в четырех независимых наборах данных. Ложноотрицательные результаты наблюдались при миопии высокой степени (n=39; 53%). Безусловно, процесс требует дальнейшего совершенствования, так как на эффективность применения ИИ влияют физиологическая экскавация ДЗН, малый/большой размер ДЗН, высокая близорукость, узкий зрачок, диабетическая ретинопатия, возрастная макулярная дегенерация [32].

В исследовании Y. Yang и соавт. (2022) CNN применили для выявления закрытия угла передней камеры и гониосинехий по данным AS-OCT [33]. В результате модель ИИ для определения закрытия угла передней камеры показала площадь под кривой (Area Under Curve, AUC) 0,96 (95% доверительный интервал, ДИ, 0,95—0,97) с чувствительностью 92% и специфичностью 87%. Модель ИИ для выявления гониосинехий продемонстрировала умеренную эффективность (AUC = 0,87; 95% ДИ 0,86—0,88) с чувствительностью 84% и специфичностью 76%. Авторы планируют дальнейшие исследования для повышения результативности моделей ИИ.

Инновационный шаг в выявлении ранних стадий глаукомы — интеграция вышеперечисленных методов [34—39]. На долю мультимодального скрининга в настоящее время, по данным литературы, приходится 13% исследований (рис. 2) [40].

Рис. 2. Распространенность клинических методов исследования в алгоритмах ИИ.

Бимодальный алгоритм глубокого обучения с совместным применением ОКТ и САП в исследовании J. Xiong и соавт. (2022) продемонстрировал наибольшую эффективность в выявлении глаукомной оптической нейропатии (AUC = 0,95; 95% ДИ 0,93—0,96) по сравнению с одномодальными алгоритмами на основе данных САП (AUC = 0,86; 95% ДИ 0,83—0,90) или только ОКТ-изображений (AUC = 0,80; 95% ДИ 0,83—0,90) [41].

Y. Li и соавт. (2023) впервые использовали мультимодальный набор данных, включающий записи электронных медицинских карт и четыре метода визуализации: фотографии глазного дна, данные ОКТ (параметры ДЗН и слоя нервных волокон сетчатки — СНВС), изображения переднего отрезка глаза, полученные при ультразвуковой биомикроскопии, — для создания мультимодальной нейронной сети (GMNNnet) с целью скрининга глаукомы, который продемонстрировал высокую диагностическую эффективность [42].

Мультимодальный классификатор DL C. Bowd и соавт. (2023) включал ОКТ-изображения ДЗН анфас (en face), толщину СНВС и изображения конфокальной сканирующей лазерной офтальмоскопии (Confocal Scanning Laser Ophthalmoscope, cSLO) для выявления ПОУГ в группе пациентов с близорукостью высокой степени и без нее (длина переднезадней оси >26 мм и ≤26 мм соответственно) [43]. По сравнению с мономоделями (отдельно для каждого метода) комплексная модель продемонстрировала наибольшую эффективность (AUC = 0,91; 95% ДИ 0,87—0,95). Результаты мономоделей следующие: анфас ДЗН — AUC = 0,83 (95% ДИ 0,79—0,86); СНВС — AUC = 0,84 (95% ДИ 0,81—0,87); cSLO — AUC = 0,68 (95% ДИ 0,61—0,74; во всех случаях p≤0,05). В глазах с высокой миопией точность мультимодальной модели DL была максимальной: AUC = 0,89 (95% ДИ 0,86—0,92) по сравнению с мономоделями: анфас ДЗН — AUC = 0,83 (95% ДИ 0,78—0,85), СНВС — AUC = 0,85 (ДИ 0,81—0,86) и cSLO — AUC = 0,69 (95% ДИ 0,63—0,76; во всех случаях p≤0,05). Таким образом, выявление ПОУГ с применением моделей ИИ на основе анфас ДЗН, cSLO, СНВС достаточно эффективно, особенно у лиц с высокой миопией.

Приведенные данные показывают, что использование методов ИИ на основе мультимодального подхода значительно повышает эффективность скрининга глаукомы.

Применение методов ИИ для скрининга глаукомы незаменимо в условиях ограниченного доступа к специализированным медицинским услугам (отдаленные регионы, малообеспеченные группы населения и т.д.) [44, 45]. Телемедицинские технологии на основе приложений ИИ для смартфонов снижают экономические затраты на систему здравоохранения.

Скрининговые алгоритмы ИИ с применением изображений глазного дна, полученных с помощью смартфона (Apple iPhone 6S) с адаптером Paxos Scope для линзы 20,0D, продемонстрировали чувствительность 67,7% (95% ДИ 63,0—72,0%) и специфичность 96,7% (95% ДИ 94,2—98,3%) в определении вертикальной экскавации ДЗН >0,5 для выявления глаукомы [46]. В аналогичном исследовании наибольшая эффективность алгоритмов ИИ выявлена для случаев развитой глаукомы (AUC = 99,0% при использовании смартфона и 99,3% — фундус-камеры) [47].

Web-приложение для смартфона iGlaucoma, основанное на анализе САП с помощью алгоритмов ИИ, в реальной клинической практике демонстрирует преимущества в выявлении глаукомы по сравнению с осмотром глазного дна офтальмологами [48].

Также web-приложение AI-Tonometry (https://ai-tonometry.com), основанное на применении CNN, позволяет с высокой точностью оценить оттиски, полученные при измерении уровня внутриглазного давления без использования измерительных линеек Б.Л. Поляка [49].

Оригинальный подход для выявления первичной закрытоугольной глаукомы (ПЗУГ) в условиях отсутствия дорогостоящего оборудования предложили T.K. Yoo и соавт. (2022) [50]. В данном исследовании алгоритм ИИ (Cycle Generative Adversarial Network, CycleGAN) основан на учете разницы в изображениях глазного дна в глазах с нормальной и мелкой глубиной передней камеры.

Z.D. Soh и соавт. (2023), используя модифицированную нейронную сеть Residual Network 50, по фотографиям переднего отрезка глаза, выполненным с помощью цифровой камеры, которая была установлена на щелевой лампе, определяли глубину передней камеры глаза для выявления закрытия угла [51]. Представленный алгоритм авторы рекомендовали как аналог биометрии в регионах с ограниченными ресурсами для диагностики ПЗУГ.

Таким образом, использование методов ИИ для скрининга глаукомы — это, безусловно, революционный шаг в офтальмологии. Метаанализ показал, что эффективность алгоритмов ИИ сопоставима с таковой при работе специалистов-офтальмологов [52] и даже превосходит результаты, полученные экспертами [53]. Тем не менее необходимы дальнейшие исследования для создания более точных моделей ИИ, оценки их долгосрочной эффективности и применения в реальной клинической практике. В настоящее время продолжается проект Artificial Intelligence for Robust Glaucoma Screening (AIROGS), где участники (команды) предлагают свои решения для скрининга глаукомы с применением методов ИИ, анализируя предоставленный организаторами большой набор данных (от 60 тыс. пациентов и 500 различных скрининговых центров). По последним данным, команда исследователей, набравшая наибольшее количество баллов, продемонстрировала самую высокую чувствительность в выявлении глаукомы по так называемым «неклассифицируемым» (трудно определяемым) изображениям «на лету»: значение AUC составило 0,99 (95% ДИ 0,98—0,99) [54].

Таким образом, активное внедрение методов ИИ в офтальмологию коснулось также глаукомы, и одним из первых этапов его успешного применения явился скрининг на глаукому. Привлечение при этом нескольких диагностических методов открывает новые перспективы в раннем выявлении данного заболевания. Во второй части обзора будут представлены данные о применении методов ИИ в мониторинге и лечении глаукомы.

Авторы заявляют об отсутствии конфликта интересов.