Нейронная сеть в определении ВГД по Маклакову: сравнение результатов нейросети и экспертов
Ключевые слова:
нейронная сеть, внутриглазное давление, искусственный интеллект, тонометрия по МаклаковуАннотация
Цель. Оценить возможность клинического применения нейронной сети (НС) AI-Tonometry в определении внутриглазного давления (ВГД) по Маклакову и выявлении больных с повышенным офтальмотонусом.
Материал и методы. Проведено проспективное исследование, отобрано 697 оттисков измерения ВГД по Маклакову. Каждый оттиск был оценен при помощи НС (группа I), а также измерительной линейкой проф. Б.Л. Поляка тремя экспертами (группы II1, II2, II3), данные экспертов были усреднены с целью создания условного «стандарта сравнения» (группа IIср) для проведения анализа.
Результаты. Полученные данные представлены в виде М±σ (Me [Q25%; Q75%]), где M – среднее значение, ±σ – стандартное отклонение, Me – медиана, [Q25%; Q75%] – квартили: I группа – 22,32±4,18 (22 [20; 24]); II1 группа – 19,95±3,58 (19 [18; 21]); II2 группа – 20,35±3,65 (20 [18; 22]); II3 группа – 20,41±3,58 (20 [18; 22]); IIср – 20,23±3,53 (19,66 [18,33; 21,66]). Между всеми группами данных была выявлена статистически значимая разница. Точность работы AI-Tonometry: средняя абсолютная ошибка (MAE) – 2,5 мм рт.ст., среднеквадратическая ошибка (MSE) – 8,76, среднеквадратическое отклонение (RMSE) – 2,96. Производительность: чувствительность (sensitivity) – 91,94%; специфичность (specificity) – 93,7%; точность (precision) – 58,76%; доля правильных ответов (accuracy) – 93,54%; F1 Score – 0,7170, параметр AUC-ROC – 0,987.
Заключение. НС AI-Tonometry обладает высокими характеристиками точности и производительности работы в совокупности с удобством пользования сервисом, скоростью интерпретации оттисков по Маклакову, малым расхождением результатов определения наличия или отсутствия повышенного ВГД. Этот сервис можно рассматривать как альтернативу линейке проф. Б.Л. Поляка и применять в клинической практике.
Библиографические ссылки
1. Гарри Д.Д., Саакян С.В., Хорошилова-Маслова И.П., Цыганков А.Ю., Никитин О.И., Тарасов Г.Ю. Методы машинного обучения в офтальмологии. Обзор литературы. Офтальмология. 2020;17(1): 20–31. [Garri DD, Saakyan SV, Khoroshilova-Maslova IP, Tsygankov AYu, Nikitin OI,Tarasov GYu. Methods of machine learning in ophthalmology: review. Ophthalmology in Russia. 2020;17(1): 20–31. (In Russ.)] doi: 10.18008/1816 5095-2020-1-20-31
2. Вурдафт А.Е. О точности измерительных линеек Б.Л. Поляка. Национальный журнал Глаукома. 2017;16(4): 11–22. [Vurdaft AE. On the precision of Polyak measuring scales in Maklakov tonometry. National Journal glaucoma. 2017;16(4): 11–22. (In Russ.)]
3. Дорофеев Д.А., Визгалова Л.О., Горобец А.В., Канафин Е.В., Курочкин С.И., Василенко Д.Ю., Ефимова К.А., Цыганов А.З., Козлова И.В., Карлова Е.В. Возможности искусственного интеллекта в измерении оттисков внутриглазного давления по Маклакову. Национальный журнал Глаукома. 2020;19(1): 20–27. [Dorofeev DA, Vizgalova LO, Gorobets AV, Kanafin EV, Kurochkin SI, Vasilenko D.Yu, Efimova KA, Ciganov AZ, Кozlova IV, Karlova EV. Тhe possibilities of artificial intelligence use in the assessment of maklakov intraocular pressure prints. National Journal glaucoma. 2020;19(1): 20–27. (In Russ.)] doi: 10.25700/NJG.2020.01.03
4. Казанцева С.Ю. Ошибки измерения внутриглазного давления при тонометрии по Маклакову. Глаукома. 2013;4: 72–81. [Kazantseva SYu. Errors in intraocular pressure measurements when performing Maklakov tonometry. Glaucoma. 2013;4: 72–81. (In Russ.)]
5. Дорофеев Д.А., Антонов А.А., Василенко Д.Ю., Горобец А.В., Ефимова К.А., Канафин Е.В., Карлова Е.В., Кирилик Е.В., Козлова И.В., Орлова Е.Р., Цыганов А.З. Метод измерения внутриглазного давления с использованием технологий искусственного интеллекта и апланационной тонометрии с фиксированной силой. Российский офтальмологический журнал. 2022;15(S2): 49–56. [Dorofeev DA, Antonov AA, Vasilenko D.YU, Gorobets AV, Efimova KA, Kanafin EV, Karlova EV, Kirilik EV, Kozlova IV, Orlova ER, Tsyganov AZ. A method for measuring intraocular pressure using artificial intelligence technology and fixed-force applanation tonometry. Russian Ophthalmological Journal. 2022;15(S2): 49–56. (In Russ.)] doi: 10.21516/2072-0076-2022-15-2-supplement-49-56
6. Глаукома первичная открытоугольная: клинические рекомендации. 2020. Доступно по: https://cr.minzdrav.gov.ru/schema/96_1 [Ссылка активна на 22.09.2022.] [Primary open-angle glaucoma: clinical recommendations. 2020. Available from: https://cr.minzdrav.gov.ru/schema/96_1 [Accessed 22.09.2022.] (In Russ.)]
7. de Hond AAH, Leeuwenberg AM, Hooft L. et al. Guidelines and quality criteria for artificial intelligence-based prediction models in healthcare: a scoping review. NPJ Digit Med. 2022;5(1): 2. doi: 10.1038/ s41746-021-00549-7
8. Малюгин Б.Э., Сахнов С.Н., Аксенова Л.Е., Мясникова В.В. Применение искусственного интеллекта в диагностике и хирургии кератоконуса: систематический обзор. Офтальмохирургия. 2022;1: 77–96. [Malyugin BE, Sakhnov SN, Axenova LE, Myasnikova VV. Application of artificial intelligence in diagnostics and surgery of keratoconus: a systematic overview. Fyodorov Journal of Ophthalmic Surgery. 2022;1: 77–96. (In Russ.)] doi: 10.25276/0235-4160-2022-1-77-96
9. Spaide T, Wu Y, Yanagihara RT, et al. Using deep learning to automate Goldmann applanation tonometry readings. Ophthalmology. 2020;127(11): 1498–1506. doi: 10.1016/j.ophtha.2020.04.033
10. Каменских Т.Г., Моисеев Р.В., Крючков Ю.А. Создание мобильного приложения для смартфонов под управлением операционных систем Android и iOS с целью оптимизации интерпретации результатов диагностики уровня внутриглазного давления больных глаукомой. Бюллетень медицинских Интернет-конференций. 2016;6(6): 1251. [Kamenskih TG, Moiseev RV, Krjuchkov JuA. Creation of a mobile application for smartphones running Android and iOS operating systems in order to optimize the interpretation of the results of diagnostics of the level of intraocular pressure in glaucoma patients. Bulletin of Medical Internet Conferences. 2016;6(6): 1251. (In Russ.)]
11. Liu X, Faes L, Kale AU, et al. A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis. Lancet Digit Health. 2019;1(6): e271–e297. doi: 10.1016/S2589-7500(19)30123-2
Опубликован
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
