Офтальмология, возможно, является лучшим «испытательным полигоном» для методов искусственного интеллекта в сфере здравоохранения. Огромный объем необходимых данных высокого качества и передовые методы визуализации делают офтальмологию явным кандидатом на достижения в области компьютерного зрения.

Недавний проект Google Research является прекрасным примером: они использовали более 120 000 изображений сетчатки глаза, чтобы обучить нейронную сеть обнаруживать диабетическую ретинопатию, ведущую причину слепоты. Полученная модель может соответствовать показателям офтальмологов. Это исследование, опубликованное в JAMA ранее в этом году, стало крупным прорывом как в мире искусственного интеллекта, так и в мире медицинских технологий. Рассмотрим проект подробнее.

Цель: использовать глубокое обучение для автоматического выявления диабетической ретинопатии (DR) и диабетического макулярного отека (DME) на фотографиях глазного дна сетчатки.

Что такое диабетическая ретинопатия (ДР)? Это самая быстрорастущая причина слепоты, затрагивающая более 20% из 488 миллионов людей, живущих с диабетом во всем мире. Высокий уровень сахара в крови может вызвать повреждение кровеносных сосудов сетчатки (ткани, покрывающей заднюю часть глаза, состоящую из светочувствительных клеток). Первоначально зрение не нарушается, но без лечения со временем наступит необратимая слепота. Поэтому раннее выявление имеет решающее значение для своевременного лечения и предотвращения прогрессирования заболевания.

Диабетическая ретинопатия приводит к необратимой слепоте. При раннем обнаружении его можно вылечить. Однако на раннем этапе у пациента могут отсутствовать симптомы, поэтому регулярное обследование жизненно необходимо.

Раннее обнаружение, как? Диагностика ДР требует прямой визуализации сетчатки медицинскими специалистами с помощью осмотра зрения или визуализации. Затем специалисты оценивают уровень заболевания на основе наличия характерных поражений, указывающих на повреждение кровеносных сосудов (кровоизлияние, микроаневризмы, экссудаты, например, кровотечение или утечка жидкости). Однако офтальмологи недоступны во многих частях мира, где распространен диабет. Могут ли машины помочь?

Машинное обучение: действительно, машинное обучение использовалось в прошлом, но, в отличие от этого проекта Google, оно было в основном сосредоточено на «разработке функций», которая включает вычисление явных функций. уточняется специалистами.

Что такое глубокое обучение и чем оно может помочь? Глубокое обучение - это метод машинного обучения, который использует нейронные сети для моделирования очень сложных функций. К счастью, существует хорошо разработанный алгоритм, называемый «обратное распространение», который позволяет нейронной сети автоматически изучать свои параметры с учетом обучающих данных. Как правило, чем больше данных мы вводим в алгоритм обучения, тем лучше работает нейронная сеть.

Другими словами, вместо того, чтобы программировать машину на обнаружение «1,2,3» (признаки) для постановки диагноза «A или B» (больной или нормальный), мы теперь сообщаем машинам, что эти изображения являются A (больными), остальные - B (нормальные); учиться у них и выяснять, почему.

Как это удалось Google?

  1. Они использовали сверточную нейронную сеть. Это особый тип нейронной сети, оптимизированный для классификации изображений - тот же метод, который Google использует для маркировки миллионов изображений в Интернете. Другими словами, это большая математическая функция с миллионами параметров. Глубокое обучение - это просто процесс обучения этой функции.
  2. Набор данных для обучения: 128 175 изображений сетчатки из EyePACS (электронная медицинская карта) в США и 3 офтальмологических больниц в Индии. Все изображения оценивали от 3 до 7 различных офтальмологов из группы из 54 офтальмологов, имеющих лицензию в США, и пожилых жителей. Оценки включали DR, DME и качество изображения. Они служат ярлыками к изображениям.
  3. Наборы проверки x2: после этого обучения алгоритм подвергается тестированию с двумя наборами проверки: 1) Случайная выборка 9963 изображений, взятых из EyePACS, не перекрывающихся с предыдущий обучающий набор. 2) Общедоступный набор данных под названием Messidor-2 с 1748 изображениями.
  4. Затем оценка машины с использованием этого алгоритма сравнивается с оценкой офтальмологов.

Как работал алгоритм глубокого обучения? - Очень хорошо.

При скрининге болезней мы стремимся к высокой чувствительности (позволяющей уверенно исключать отрицательные результаты, т.е. очень мало ложных отрицательных результатов). В этом случае алгоритм достиг 96–97% чувствительности и 93% специфичности! Это сопоставимо, если не немного лучше, чем результаты 8 офтальмологов, оценивающих изображения. Поскольку эти 8 офтальмологов уже входили в элиту первоначальной группы из 54 специалистов (они были отобраны на основе высокой степени самосогласованности), модель работает очень хорошо.

Возьмите домашнее сообщение: искусственный интеллект изменит нашу практику медицины. Этот алгоритм глубокого обучения уже помогает диагностировать диабетическую ретинопатию лучше, чем многие врачи. Тем не менее, это только первый шаг к внедрению искусственного интеллекта в офтальмологию. Это будущее. Будьте на связи!

  • * Это исследование, хотя и является революционным, еще не достаточно зрелым, чтобы его можно было применять в клинических условиях. Это главным образом потому, что алгоритм в настоящее время обнаруживает только DR, а не другие распространенные глазные патологии. Его ограничения будут рассмотрены в отдельной статье.

С тех пор Google обновил свой алгоритм. Смотрите, что нового здесь.

Подробнее читайте здесь: Машинное обучение и изображения ОКТ - будущее офтальмологии