Разработка модели скрининга катаракты с использованием открытого набора данных и алгоритмов глубокого машинного обучения
Ключевые слова:
катаракта, искусственный интеллект, машинное обучение, скрининг, открытые наборы данныхАннотация
Актуальность. Катаракта – это одно из наиболее излечимых состояний, которое без хирургического вмешательства вызывает слепоту. При этом основными факторами, препятствующими своевременному оперативному лечению катаракты, являются недостаточная осведомленность пациентов о необходимости хирургического лечения (36,1%) и трудовая или бытовая занятость (25,3%). Таким образом, регулярный скрининг катаракты оказывается эффективным способом предотвращения слепоты и определения пациентов, нуждающихся в операции. Цель. Разработка модели скрининга катаракты на основе открытого набора данных, а также ее валидация на клинических данных.
Материал и методы. Открытый набор данных (№ 1) из 9668 изображений, полученных с помощью камеры смартфона, из которых 4514 изображений относились к классу катаракта, а 5154 – к здоровым глазам. Набор для внешней валидации (№ 2) был получен в клинических условиях в отделении диагностики Краснодарского филиала ФГАУ «НМИЦ «МНТК «Микрохирургия глаза» им. акад. С.Н. Федорова» МЗ РФ. Набор содержал 51 изображение с катарактой и нормой. Для создания модели машинного обучения мы использовали сверточную нейронную сеть (CNN).
Результаты. Значение точности классификации данных составило 0,97 для внутреннего валидационного набора и 0,75 для внешнего. Прогностическое значение было низким для катаракты при изменении на наборе данных № 2 и составило всего 0,54, так же как и для метрик чувствительности (0,87) и специфичности (0,69). Площадь под ROC-кривой составила 0,99 (для набора данных № 1) и 0,78 (для набора данных № 2).
Заключение. Эти результаты говорят о том, что необходимо произвести донастройку модели и обеспечить необходимые уровни метрик эффективности для данного сценария.
Библиографические ссылки
1. Бикбов М.М., Исрафилова Г.З., Гильманшин Т.Р., Зайнуллин Р.М., Якупова Э.М. Катаракта как причина нарушения зрения: эпидемиология и организация хирургической помощи (по данным исследования «Ural Eye and Medical Study»). Здоровье населения и среда обитания – ЗНиСО. 2022;1(1): 7– 13. doi: 10.35627/2219-5238/2022-30-1-7-13 [Bikbov MM, Israfilova GZ, Gilmanshin TR, Zainullin RM, Yakupova EM. Cataract as a cause of visual impairment: epidemiology and organization of surgical care (according to the study «Ural Eye and Medical Study»). Public Health and Life Environment – PH&LE. 2022;1(1): 7–13. (In Russ.)]
2. Lai CJ, Pai PF, Marvin M, Hung HH, Wang SH, Chen DN. The use of convolutional neural networks and digital camera images in cataract detection. Electronics.2022;11(6): 887. doi: 10.3390/electronics11060887
3. Clarke GP, Burmeister J. Comparison of intraocular lens computations using a neural network versus the Holladay formula. J Cataract Refract Surg. 1997;23(10): 1585–1589. doi: 10.1016/s0886-3350(97)80034-x
4. Raj P, Tejwani S, Sudha D, Muthu Narayanan B, Thangapandi C, Das S, et al. OphthatomeTM: an integrated knowledgebase of ophthalmic diseases for translating vision research into the clinic. BMC Ophthalmol. 2020;20(1): 442. doi: 10.1186/s12886-020-01705-5
5. Tognetto D, Giglio R, Vinciguerra AL, Milan S, Rejdak R, Rejdak M, et al. Artificial intelligence applications and cataract management: A systematic review. Surv Ophthalmol. 2022;67(3): 817–829. doi.org: 10.1016/j.survophthal.2021.09.004
6. Lin H, Long E, Chen W, Liu Y. Documenting rare disease data in China. Science. 2015;349(6252):1064. doi: 10.1126/science.349.6252.1064-b
7. Li F, Wang Z, Qu G, Song D, Yuan Y, Xu Y, et al. Automatic differentiation of Glaucoma visual field from non-glaucoma visual filed using deep convolutional neural network. BMC Med Imaging. 2018;18(1): 35. doi: 10.1186/s12880-018-0273-5
8. The age-related eye disease study (AREDS). Control Clin Trials. 1999;20(6): 573–600. doi: 10.1016/s0197-2456(99)00031-8
9. Hicks SA, Strümke I, Thambawita V, Hammou M, Riegler MA, Halvorsen P, et al. On evaluation metrics for medical applications of artificial intelligence. Sci Rep. 2022;12(1): 5979.
10. Lehman CD, Wellman RD, Buist DSM, Kerlikowske K, Tosteson ANA, Miglioretti DL. Diagnostic accuracy of digital screening mammography with and without computer-aided detection. JAMA Intern Med. 2015;175(11): 1828. doi: 10.1001/jamainternmed.2015.5231
11. Lin H, Li R, Liu Z, Chen J, Yang Y, Chen H, et al. Diagnostic efficacy and therapeutic decision-making capacity of an artificial intelligence platform for childhood cataracts in eye clinics: a multicentre randomized controlled trial. EClinicalMedicine. 2019;9: 52–59. doi: 10.1016/j.eclinm.2019.03.001
12. Wu X, Xu D, Ma T, Li ZH, Ye Z, Wang F, et al. Artificial intelligence model for antiinterference cataract automatic diagnosis: a diagnostic accuracy study. Front Cell Dev Biol. 2022;10: 906042. doi: 10.3389/fcell.2022.906042
Опубликован
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
