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

© Эко-Вектор, 2024


 


Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах