«ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ОФТАЛЬМОЛОГИИ»

Внедрение в клиническую практику технологий искусственного интеллекта — одно из стратегических направлений развития различных медицинских специальностей. Актуальность этого направления в первую очередь связана с усложнением диагностических технологий и необходимостью персонализированного подхода к выбору метода лечения. Автоматизация этих процессов на основе цифровой трансформации обеспечивает возможность обработки огромного массива данных и существенно повышает качество интерпретации и анализа результатов различных исследований.

Возможности клинического использования технологий искусственного интеллекта в офтальмологии — новая область исследований, результаты которых будут представлены в виде научных публикаций. Исходя из этого, редколлегией журнала принято решение о создании новой рубрики — «ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ОФТАЛЬМОЛОГИИ»

Внедрение в клиническую практику современных диагностических технологий связано с разработкой принципиально новых подходов к объективной и корректной интерпретации результатов исследований. Обработка большого массива данных с помощью искусственного интеллекта — перспективное направление в диагностике, мониторинге и прогнозировании течения заболеваний, основанное на модернизации алгоритмов исследования имеющихся технологий.

Интерес к исследованию нервных волокон роговицы (НВР) продиктован не только необходимостью изучения патогенеза и течения ряда глазных заболеваний, но и возможностью использования тонких немиелинизированных НВР в качестве биомаркеров в диагностике и мониторинге системных полинейропатий [1—5]. Возможность прижизненной оценки состояния НВР обеспечивает, с одной стороны, прозрачность роговицы, а с другой — применение различных технологий конфокальной микроскопии (оптической и лазерной), высокая разрешающая способность которой позволяет на близком к морфологическому уровне анализировать структурное состояние роговицы [6, 7].

Следует отметить, что основная проблема стандартизации оценки состояния НВР связана с повышением качества их визуализации и объективизацией анализа конфокальных изображений. Автоматизированное распознавание снимков, полученных с использованием конфокального микроскопа, — наиболее перспективный способ получения объективной информации о различных характеристиках объектов, присутствующих на изображении. Существующие алгоритмы диагностики с использованием полуавтоматического и автоматического анализа данных требуют крайне высокого качества снимков. В процессе анализа шумы и другие артефакты могут быть неверно интерпретированы или приняты за нервные волокна, что приводит к снижению достоверности результатов.

Использование искусственного интеллекта в виде новых сверточных нейронных сетей (СНС) может уменьшить долю изображений низкого качества и значительно повысить точность модели. СНС — класс алгоритмов машинного обучения, используемых для распознавания изображений. Для распознавания классов объектов на снимке необходимо проведение сегментации изображения, т. е. разделения изображения на пиксели с одинаковыми метками, имеющими общие характеристики. Сегментацию при обработке изображений можно расценить как поиск определенных фрагментов снимка, однородных по своим характеристикам. Семантическая сегментация изображений заключается в выделении на изображении областей, каждая из которых соответствует определенному признаку. В общем виде задачи семантической сегментации трудно алгоритмизируются, поэтому для сегментации изображений в настоящее время широко используют нейронные сети. При этом крайне важно, чтобы системы искусственного интеллекта имели возможность непрерывного обучения на протяжении всей жизни [3, 4].

Таким образом, внесение изменений в существующий алгоритм анализа изображений конфокальной микроскопии роговицы (КМР) на базе нейронной сети является актуальной задачей в аспекте повышения качества исследования НВР.

Цель исследования заключалась в разработке и оценке предварительных результатов применения алгоритма анализа конфокальных снимков НВР на основе СНС.

Материал и методы

В процессе создания нейронной сети было использовано 100 архивных конфокальных изображений НВР. Как известно, для решения задач сегментации изображений существуют различные модели СНС. В данной работе была применена архитектура нейросети UNET, которая достаточно хорошо зарекомендовала себя при сегментации биомедицинских изображений в ранее проведенных исследованиях [8—12]. На «вход» нейронной сети подают изображения в градации серого, на которых необходимо выделить области пикселей, которые в данном случае образуют НВР. Далее происходит обучение СНС распознаванию объектов, выделенных на снимке, с помощью тренировочной базы данных (ТБД). После обучения на достаточном объеме данных нейросеть способна самостоятельно «находить» объекты, которые она идентифицирует как сходные с выделенными в ТБД. Подробное описание разработанной нейронной сети представлено ниже.

Сравнительное исследование НВР было проведено в группе из 50 здоровых добровольцев (100 глаз) в возрасте от 25 до 55 лет без сопутствующих глазных и общих заболеваний. Для оценки состояния НВР выполняли КМР в центральной зоне роговицы с прицельной визуализацией НВР на приборе HRT 3 с использованием Rostock cornea module (Heidelberg, Германия). Последующий анализ и распознавание НВР в сравнительном плане производили с помощью оригинального программного обеспечения (Liner calculate, Liner 1.2S) [13, 14] и на основе разработанного алгоритма нейронной сети для интерпретации результатов КМР. В качестве критериев сравнения использовали следующие показатели: длина основных нервных стволов (мм/мм²), плотность основных нервных стволов (количество волокон в 1 мм²), количество макрофагов, коэффициенты анизотропии и симметричности направленности НВР (KΔL и K_sym соответственно). Кроме этого учитывали время, необходимое для полноценной интерпретации результатов.

Для статистической обработки с целью оценки значимости полученных результатов использовали критерий Стьюдента на основе пакета прикладных программ IBM SPSS STATISTICS, Version 10 (серийный номер AXAR207F394425FA-Q).

Результаты

Решение основной задачи настоящего предварительного исследования, с одной стороны, было связано с созданием нейронной сети для оценки результатов конфокальных изображений НВР, а с другой — со сравнительным анализом результатов исследования НВР с помощью разработанного и оригинального программного алгоритма.

Выбор структуры нейронной сети для интерпретации результатов КМР. Алгоритм разработки нейронной сети включал два направления. Первое из них — так называемый энкодер, или путь сжатия, который использовали для захвата контекста в изображении. Фактически энкодер — это традиционный набор сверточных слоев и слоев понижения размерности. Второе направление — так называемый декодер, или симметричный путь расширения, который использовали для обеспечения точной локализации на основе транспонированных сверток. На практике зачастую используют модифицированную архитектуру UNET, когда вместо энкодера берут полноценную сверочную нейронную сеть, предобученную на большом массиве данных. Такой подход существенно ускоряет процесс обучения сети. Библиотека искусственного интеллекта предоставляет возможность использовать более 40 энкодеров. В ходе экспериментов были рассмотрены следующие подходящие для работы с данными изображениями энкодеры: ResNet_50, VGG_16 и InceptionResNetV2. Оценку возможностей каждого из энкодеров проводили в двух направлениях: предобученном на большом объеме различных изображений (Imagenet) и случайно инициализированном (Random).

Обучение нейросети требует создания ТБД, с помощью которой нейросеть должна научиться распознавать НВР. Для создания ТБД проводили разметку снимков вручную совместно с врачом-офтальмологом, имеющим многолетний опыт работы с КМР, с целью выделения НВР. На бинарных (бело-черных) «масках» белым цветом были выделены необходимые для распознавания объекты, которые в дальнейшем в ходе обучения нейросети определялись как НВР (рис. 1).

Рис. 1. Конфокальное изображение (а) и результат ручной разметки НВР (б).

Общий объем ТБД включал 100 размеченных конфокальных изображений НВР. В дальнейшем для качественной оценки результатов анализа изображений НВР каждого из энкодеров производили анализ произвольно взятых конфокальных изображений, ранее не использованных в процессе обучения нейросети. Алгоритм анализа включал оценку данных каждого из энкодеров (ResNet_50, VGG_16 и InceptionResNetV2) в сравнении с конфокальным изображением в режимах Imagenet и Random (рис. 2).

Рис. 2. Результаты анализа изображений НВР различных энкодеров.

1 — конфокальное изображение; 2 — режим Imagenet; 3 — режим Random; а — ResNet_50; б — VGG_16; в — InceptionResNetV2.

В результате анализа полученных данных предпочтение, как наиболее качественным, было отдано изображениям, полученным после обработки энкодором VGG_16 в режиме Imagenet (см. рис. 2, 2б).

Сравнительный анализ результатов интерпретации конфокальных изображений с помощью различных методов. Результаты сравнительного анализа количественной интерпретации 100 конфокальных изображений НВР с помощью оригинального программного алгоритма и нейронной сети (обработка энкодором VGG_16 в режиме Imagenet) представлены в таблице.

На основании полученных результатов можно сделать вывод о сопоставимости основных количественных характеристик состояния НВР при интерпретации результатов КМР, определяемых с помощью оригинального программного обеспечения (Liner calculate, Liner 1.2S) и на основе разработанного алгоритма нейронной сети. В последнем случае отмечено значительное сокращение продолжительности исследования: средние показатели времени, необходимого для интерпретации конфокальных изображений, при использовании оригинального алгоритма и нейронных сетей составили 18,32±5,034 и 5,54±0,56 мин соответственно. Применение нейронной сети обеспечивало полностью автоматический процесс анализа конфокального изображения НВР и не требовало выделения элементов для определения количественных характеристик.

Сокращение времени, затрачиваемого на обработку одного конфокального снимка НВР, создает возможность для обработки сразу нескольких конфокальных изображений. При этом в процессе одного исследования можно производить топографический анализ состояния НВР, т. е. не только в центральной зоне, но и в периферических отделах роговицы, например в условных секторах A, B, C, D, E (рис. 3).

Рис. 3. Условные участки исследования роговицы при топографическом анализе состояния НВР.

Заключение

Полученные данные свидетельствуют о перспективности использования нейронной сети (в частности, семейства энкодеров VGG_16) для структурной оценки НВР. К основным преимуществам предлагаемого алгоритма следует отнести повышение качества интерпретации изображений и сокращение времени исследования. Дальнейшие исследования должны быть направлены на оценку специфичности и чувствительности методики в плане оценки состояния НВР при различных патологических процессах.

Участие авторов:

Концепция и дизайн исследования: Аветисов С.Э., Сурнина З.В.

Сбор и обработка материала: Сурнина З.В., Георгиев С.

Написание текста: Георгиев С.

Редактирование: Аветисов С.Э.

Авторы заявляют об отсутствии конфликта интересов.