Роль искусственного интеллекта в современной офтальмологии

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В настоящее время искусственный интеллект активно внедряется в различные сферы жизни, и медицина не является исключением. В офтальмологии применение искусственного интеллекта очень многообещающе, учитывая, что диагностика и терапевтический мониторинг глазных заболеваний часто в значительной степени зависят от правильной интерпретации изображений. Его применение сосредоточено на глазных заболеваниях, приводящих к потере зрения, таких как возрастная макулярная дегенерация, диабетическая ретинопатия, глаукома и катаракта. За последние несколько лет искусственный интеллект добился огромных успехов в офтальмологической практике. Многочисленные исследования показали, что его производительность равна и даже превосходит возможности офтальмологов во многих диагностических и прогностических задачах. Однако предстоит проделать ещё много работы, прежде чем внедрять искусственный интеллект в рутинную клиническую практику. Такие вопросы, как реальная производительность, обобщаемость и интерпретируемость систем искусственного интеллекта, все ещё недостаточно изучены и потребуют большего внимания в будущих исследованиях. Большинство систем, основанных на искусственном интеллекте, используются в развитых странах, а некоторые требуют дальнейшего изучения. Высокие затраты и нехватка врачей и оборудования в некоторых регионах Российской Федерации и сельской местности затрудняют скрининг глазных заболеваний. Несмотря на то что область искусственного интеллекта недостаточно развита, мы надеемся, что он сыграет важную роль в будущем офтальмологии, сделав здравоохранение более эффективным, точным и доступным, особенно в регионах, где существуют кадровые проблемы.

Об авторах

Сабина Саглияр кызы Мамедова

Ростовский государственный медицинский университет

Автор, ответственный за переписку.
Email: neurosurg@bk.ru
ORCID iD: 0009-0007-7485-4710
Россия, 344022, Ростов-на-Дону, Нахичеванский пер., д. 29

Алсу Ильдаровна Каримова

Башкирский государственный медицинский университет

Email: akarimova20000@gmail.com
ORCID iD: 0009-0002-7244-5669
Россия, Уфа

Аделия Фандасовна Галиева

Башкирский государственный медицинский университет

Email: adelia_144@mail.ru
ORCID iD: 0009-0008-7369-1064
Россия, Уфа

Мария Алиевна Мальханова

Первый Санкт-Петербургский государственный медицинский университет им. И.П. Павлова

Email: mariamalhanova00971@gmail.com
ORCID iD: 0009-0004-4860-0803
Россия, Санкт-Петербург

Софья Сергеевна Полянкина

Башкирский государственный медицинский университет

Email: s.polyankina@bk.ru
ORCID iD: 0009-0003-6025-1426
Россия, Уфа

Айгуль Ильшатовна Кучумова

Башкирский государственный медицинский университет

Email: aigelikaaa@gmail.com
ORCID iD: 0009-0002-5243-4364
Россия, Уфа

Яна Яковлевна Тарасова

Башкирский государственный медицинский университет

Email: tarasooova.02@gmail.com
ORCID iD: 0009-0003-4139-5539
Россия, Уфа

Дмитрий Ученович Цюань

Ростовский государственный медицинский университет

Email: dimka200131@gmail.com
ORCID iD: 0009-0000-6657-3846
Россия, 344022, Ростов-на-Дону, Нахичеванский пер., д. 29

Ольга Викторовна Клец

Ростовский государственный медицинский университет

Email: klets_olya@mail.ru
ORCID iD: 0009-0009-9507-0901
Россия, 344022, Ростов-на-Дону, Нахичеванский пер., д. 29

Вероника Николаевна Гербутова

Ростовский государственный медицинский университет

Email: veronika628256@gmail.com
ORCID iD: 0009-0000-9922-8766
Россия, 344022, Ростов-на-Дону, Нахичеванский пер., д. 29

Андрей Владимирович Оленичев

Башкирский государственный медицинский университет

Email: a.olenichev@inbox.ru
ORCID iD: 0009-0000-7677-5329
Россия, Уфа

Элиза Олеговна Ушакова

Башкирский государственный медицинский университет

Email: a.olenichev@inbox.ru
ORCID iD: 0009-0000-8178-8685
Россия, Уфа

Айгуль Камлевна Миннихалилова

Башкирский государственный медицинский университет

Email: aigul2ka837857@gmail.com
ORCID iD: 0009-0001-8068-6078
Россия, Уфа

Список литературы

  1. Хусанов У.А., Кудратиллаев М.Б., Сиддиков Б.Н., Довлетова С.Б. Искусственный интеллект в медицине // Science and Education. 2023. Т. 4, № 5. С. 772–782.
  2. Гайфуллин Е.О. Искусственный интеллект в медицине // Ceteris paribus. 2023. № 5. С. 118–122. EDN: GQXLIT
  3. Phene S., Dunn R.C., Hammel N., et al. Deep learning and glaucoma specialists: the relative importance of optic disc features to predict glaucoma referral in fundus photographs // Ophthalmology. 2019. Vol. 126, N. 12. P. 1627–1639. doi: 10.1016/j.ophtha.2019.07.024
  4. Li Z., Guo C., Lin D., et al. Deep learning for automated glaucomatous optic neuropathy detection from ultra-widefield fundus images // Br J Ophthalmol. 2021. Vol. 105, N. 11. P. 1548–1554. doi: 10.1136/bjophthalmol-2020-317327
  5. Dow E.R., Keenan T.D.L., Lad E.M., et al. Collaborative community for ophthalmic imaging executive committee and the working group for artificial intelligence in age-related macular degeneration. From data to deployment: The collaborative community on ophthalmic imaging roadmap for artificial intelligence in age-related macular degeneration // Ophthalmology. 2022. Vol. 129, N. 5. P. 43–59. doi: 10.1016/j.ophtha.2022.01.002
  6. Ting D.S.J., Foo V.H., Yang L.W.Y., et al. Artificial intelligence for anterior segment diseases: Emerging applications in ophthalmology // Br J Ophthalmol. 2021. Vol. 105, N. 2. P. 158–168. doi: 10.1136/bjophthalmol-2019-315651
  7. Li Z., Jiang J., Chen K., et al. Preventing corneal blindness caused by keratitis using artificial intelligence // Nat Commun. 2021. Vol. 12, N. 1. ID 3738. doi: 10.1038/s41467-021-24116-6
  8. Keenan T.D.L., Chen Q., Agrón E., et al. AREDS Deep Learning Research Group. DeepLensNet: Deep learning automated diagnosis and quantitative classification of cataract type and severity // Ophthalmology. 2022. Vol. 129, N. 5. P. 571–584. doi: 10.1016/j.ophtha.2021.12.017
  9. Schmidt-Erfurth U., Bogunovic H., Sadeghipour A., et al. Machine learning to analyze the prognostic value of current imaging biomarkers in neovascular age-related macular degeneration // Ophthalmol Retina. 2018. Vol. 2, N. 1. P. 24–30. doi: 10.1016/j.oret.2017.03.015
  10. Keskinbora K., Güven F. Artificial intelligence and ophthalmology // Turk J Ophthalmol. 2020. Vol. 50, N. 1. P. 37–43. doi: 10.4274/tjo.galenos.2020.78989
  11. Bali J., Bali O. Artificial intelligence in ophthalmology and healthcare: An updated review of the techniques in use // Indian J Ophthalmol. 2021. Vol. 69, N. 1. P. 8–13. doi: 10.4103/ijo.IJO_1848_19
  12. Moraru A.D., Costin D., Moraru R.L., Branisteanu C.B. Artificial intelligence and deep learning in ophthalmology — present and future (Review) // Exp Ther Med. 2020. Vol. 20, N. 4. P. 3469–3473. doi: 10.3892/etm.2020.9118
  13. Ahuja A.S., Wagner I.V., Dorairaj S., et al. Artificial intelligence in ophthalmology: A multidisciplinary approach // Integr Med Res. 2022. Vol. 11, N. 4. ID 100888. doi: 10.1016/j.imr.2022.100888
  14. Suzuki K. Overview of deep learning in medical imaging // Radiol Phys Technol. 2017. Vol. 10, N. 3. P. 257–273. doi: 10.1007/s12194-017-0406-5
  15. Lee C.S., Brandt J.D., Lee A.Y. Big Data and artificial intelligence in ophthalmology: Where are we now? // Ophthalmol Sci. 2021. Vol. 1, N. 2. ID 100036. doi: 10.1016/j.xops.2021.100036
  16. Гарри Д.Д., Саакян С.В., Хорошилова-Маслова И.П., и др. Методы машинного обучения в офтальмологии. Обзор литературы // Офтальмология. 2020. Т. 17, № 1. С. 20–31. EDN: RSCNAV doi: 10.18008/1816-5095-2020-1-20-31
  17. Дедов И.И., Шестакова М.В., Викулова О.К., и др. Сахарный диабет в Российской Федерации: динамика эпидемиологических показателей по данным Федерального регистра сахарного диабета за период 2010–2022 гг. // Сахарный диабет. 2023. Т. 26, № 2. С. 104–123. EDN: DVDJWJ doi: 10.14341/DM13035
  18. Лев И.В., Милюсин В.Е., Ястребцев М.Д. Диабетическая ретинопатия среди офтальмологических осложнений сахарного диабета и другой офтальмопатологии // Современные проблемы здравоохранения и медицинской статистики. 2023. № 1. С. 240–251. EDN: CQRRHL doi: 10.24412/2312-2935-2023-1-240-251
  19. Burton M.J., Ramke J., Marques A.P., et al. The lancet global health commission on global eye health: vision beyond 2020 // Lancet Glob Health. 2021. Vol. 9, N. 4. P. 489–551. doi: 10.1016/S2214-109X(20)30488-5
  20. Одилов М.Ю. Совершенствование лечения диабетической ретинопатии // Research Journal of Trauma and Disability Studies. 2023. Т. 2, № 10. С. 86–90.
  21. Gulshan V., Peng L., Coram M., et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs // JAMA. 2016. Vol. 316, N. 22. P. 2402–2410. doi: 10.1001/jama.2016.17216
  22. Ting D.S.W., Cheung C.Y., Lim G., et al. Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes // JAMA. 2017. Vol. 318, N. 22. P. 2211–2223. doi: 10.1001/jama.2017.18152
  23. Tang F., Luenam P., Ran A.R., et al. Detection of diabetic retinopathy from ultra-widefield scanning laser ophthalmoscope images: A multicenter deep learning analysis // Ophthalmol Retina. 2021. Vol. 5, N. 11. P. 1097–1106. doi: 10.1016/j.oret.2021.01.013
  24. Engelmann J., McTrusty A.D., MacCormick I.J.C., et al. Detecting multiple retinal diseases in ultra-widefield fundus imaging and data-driven identification of informative regions with deep learning // Nat Mach Intell. 2022. Vol. 4. P. 1143–1154. doi: 10.1038/s42256-022-00566-5
  25. Демидова Т.Ю., Кожевников А.А. Диабетическая ретинопатия: история, современные подходы к ведению, перспективные взгляды на профилактику и лечение // Сахарный диабет. 2020. Т. 23, № 1. С. 95–105. EDN: ECFMZS doi: 10.14341/DM10273
  26. Dai L., Wu L., Li H., et al. A deep learning system for detecting diabetic retinopathy across the disease spectrum // Nat Commun. 2021. Vol. 12, N. 1. ID 3242. doi: 10.1038/s41467-021-23458-5
  27. Bora A., Balasubramanian S., Babenko B., et al. Predicting the risk of developing diabetic retinopathy using deep learning // Lancet Digit Health. 2021. Vol. 3, N. 1. P. E10–E19. doi: 10.1016/S2589-7500(20)30250-8
  28. Arcadu F., Benmansour F., Maunz A., et al. Deep learning algorithm predicts diabetic retinopathy progression in individual patients // NPJ Digit Med. 2019. Vol. 2. ID 92. doi: 10.1038/s41746-019-0172-3
  29. Мовсисян А.Б., Куроедов А.В., Архаров М.А., и др. Эпидемиологический анализ заболеваемости и распространённости первичной открытоугольной глаукомы в Российской Федерации // Клиническая офтальмология. 2022. Т. 22, № 1. С. 3–10. EDN: VIMPIU doi: 10.32364/2311-7729-2022-22-1-3-10
  30. Tham Y.-C., Li X., Wong T.Y., et al. Global prevalence of glaucoma and projections of glaucoma burden through 2040: a systematic review and meta-analysis // Ophthalmology. 2014. Vol. 121, N. 11. P. 2081–2090. doi: 10.1016/j.ophtha.2014.05.013
  31. Мовсисян А.Б., Куроедов А.В. Диагностика глаукомы на современном этапе // Клиническая офтальмология. 2023. Т. 23, № 1. С. 47–53. EDN: BFGXMR doi: 10.32364/2311-7729-2023-23-1-47-53
  32. Li Z., Keel S., Liu C., et al. An automated grading system for detection of vision-threatening referable diabetic retinopathy on the basis of color fundus photographs // Diabetes Care. 2018. Vol. 41, N. 12. P. 2509–2516. doi: 10.2337/dc18-0147
  33. Мачехин В.А., Фабрикантов О.Л., Львов В.А. Возможности оптической когерентной томографии при глаукоме // Вестник офтальмологии. 2019. Т. 135, № 2. С. 130–137. EDN: XUXVBD doi: 10.17116/oftalma2019135021130
  34. Ran A.R., Cheung C.Y., Wang X., et al. Detection of glaucomatous optic neuropathy with spectral-domain optical coherence tomography: a retrospective training and validation deep-learning analysis // Lancet Digit Health. 2019. Vol. 1, N. 4. P. 172–182. doi: 10.1016/S2589-7500(19)30085-8
  35. Fu H., Baskaran M., Xu Y., et al. A deep learning system for automated angle-closure detection in anterior segment optical coherence tomography images // Am J Ophthalmol. 2019. Vol. 203. P. 37–45. doi: 10.1016/j.ajo.2019.02.028
  36. Yousefi S., Kiwaki T., Zheng Y., et al. Detection of longitudinal visual field progression in glaucoma using machine learning // Am J Ophthalmol. 2018. Vol. 193. P. 71–79. doi: 10.1016/j.ajo.2018.06.007
  37. Wang M., Shen L.Q., Pasquale L.R., et al. An artificial intelligence approach to detect visual field progression in glaucoma based on spatial pattern analysis // Invest Ophthalmol Vis Sci. 2019. Vol. 60, N. 1. P. 365–375. doi: 10.1167/iovs.18-25568
  38. Ивахненко О.И., Нероев В.В., Зайцева О.В. Возрастная макулярная дегенерация и диабетическое поражение глаз. Социально-экономические аспекты заболеваемости // Вестник офтальмологии. 2021. Т. 137, № 1. С. 123–129. EDN: CDTVFR doi: 10.17116/oftalma2021137011123
  39. Янгиева Н. Реализация программы массовой профилактики и раннего выявления возрастной макулярной дегенерации // in Library. 2020. Т. 20, № 1. С. 676–681.
  40. Peng Y., Dharssi S., Chen Q., et al. DeepSeeNet: A deep learning model for automated classification of patient-based age-related macular degeneration severity from color fundus photographs // Ophthalmology. 2019. Vol. 126, N. 4. P. 565–575. doi: 10.1016/j.ophtha.2018.11.015
  41. Burlina P.M., Joshi N., Pekala M., et al. Automated grading of age-related macular degeneration from color fundus images using deep convolutional neural networks // JAMA Ophthalmol. 2017. Vol. 135, N. 11. P. 1170–1176. doi: 10.1001/jamaophthalmol.2017.3782
  42. Yim J., Chopra R., Spitz T., et al. Predicting conversion to wet age-related macular degeneration using deep learning // Nat Med. 2020. Vol. 26, N. 6. P. 892–899. doi: 10.1038/s41591-020-0867-7
  43. Yan Q., Weeks D.E., Xin H., et al. Deep-learning-based prediction of late age-related macular degeneration progression // Nat Mach Intell. 2020. Vol. 2, N. 2. P. 141–150. doi: 10.1038/s42256-020-0154-9
  44. Schlegl T., Waldstein S.M., Bogunovic H., et al. Fully automated detection and quantification of macular fluid in OCT using deep learning // Ophthalmology. 2018. Vol. 125, N. 4. P. 549–558. doi: 10.1016/j.ophtha.2017.10.031
  45. Егоров А.Е., Мовсисян А.Б., Глазко Н.Г. Современная хирургия катаракты. Нюансы и решения // Клиническая офтальмология. 2020. Т. 20, № 3. С. 142–147. EDN: CQPWJM doi: 10.32364/2311-7729-2020-20-3-142-147
  46. Cicinelli M.V., Buchan J.C., Nicholson M., et al. Cataracts // Lancet. 2023. Vol. 401, N. 10374. P. 377–389. doi: 10.1016/S0140-6736(22)01839-6
  47. Tham Y.-C., Goh J.H.L., Anees A., et al. Detecting visually significant cataract using retinal photograph-based deep learning // Nat Aging. 2022. Vol. 2, N. 3. P. 264–271. doi: 10.1038/s43587-022-00171-6

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Эко-Вектор, 2024


 


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».