Алгоритмы искусственного интеллекта для диагностики признаков диабетической ретинопатии, диабетического макулярного отека, возрастной макулярной дегенерации, аномалий витреомакулярного интерфейса

Авторы

  • Е.А. Каталевская «Диджитал Вижн Солюшнс», проект RETINA AI, Москва
  • А.Ю. Сизов «Диджитал Вижн Солюшнс», проект RETINA AI, Москва; Нижегородский государственный технический университет им. Р.Е. Алексеева, Нижний Новгород
  • М.И. Тюриков «Диджитал Вижн Солюшнс», проект RETINA AI, Москва; Нижегородский государственный технический университет им. Р.Е. Алексеева, Нижний Новгород
  • Ю.В. Владимирова «Диджитал Вижн Солюшнс», проект RETINA AI, Москва

Ключевые слова:

искусственный интеллект, офтальмологический скрининг, диабетическая ретинопатия, диабетический макулярный отек, возрастная макулярная дегенерация, аномалии витреомакулярного интерфейса

Аннотация

Цель. Разработка алгоритмов искусственного интеллекта для диагностики диабетической ретинопатии (ДР), диабетического макулярного отека (ДМО), возрастной макулярной дегенерации (ВМД), аномалий витреомакулярного интерфейса путем анализа сканов оптической когерентной томографии (ОКТ) и фотографий глазного дна.
Материал и методы. В качестве обучающей и валидационной баз данных использовались фотографии глазного дна пациентов с ДР и ДМО и сканы ОКТ пациентов с ДМО, ВМД, аномалиями витреомакулярного интерфейса. Объем обучающих баз составил 3600 фотографий глазного дна и 10 000 сканов ОКТ, объем валидационных баз составил 400 фотографий глазного дна и 1000 сканов ОКТ. Для алгоритмов анализа фотографий глазного дна рассчитывали показатели точности, чувствительности, специфичности, AUROC для следующих структур: микроаневризмы, интраретинальные геморрагии, твердые экссудаты, мягкие экссудаты, неоваскуляризация сетчатки и диска зрительного нерва, преретинальные геморрагии, эпиретинальный фиброз, лазерные коагуляты. Для алгоритмов анализа сканов ОКТ рассчитывали указанные метрики для следующих признаков: интраретинальные кисты, субретинальная жидкость, отслойка
ретинального пигментного эпителия, субретинальный гиперрефлективный материал, ретинальные друзы, эпиретинальная мембрана, сквозной макулярный разрыв, ламеллярный макулярный разрыв, витреомакулярная тракция.
Результаты. Для алгоритмов анализа фотографий глазного дна точность превысила 93% для всех признаков, за исключением мягких экссудатов (88,3%) и неоваскуляризации (88,0%), чувствительность превысила 90% для всех признаков, кроме неоваскуляризации (80,2%) и эпиретинального фиброза (72,5%), специфичность превысила 91% для всех признаков, кроме микроаневризм (80,5%), твердых экссудатов (83,5%) и мягких экссудатов (88,7%), AUROC превысил 0,90 для всех признаков, кроме эпиретинального фиброза (0,88), неоваскуляризации (0,87) и преретинальных геморрагий (0,89). Для алгоритмов анализа ОКТ точность превысила 93% для всех признаков, чувствительность превысила 90% для всех признаков, кроме ламеллярного макулярного разрыва (87,22%), специфичность превысила 93% для всех признаков, AUROC превысил 0,93 для всех признаков.
Заключение. Разработаны алгоритмы сегментации патологических признаков с высокими показателями точности. На основе данных алгоритмов создана офтальмологическая платформа Retina.AI, позволяющая проводить автоматизированный анализ сканов ОКТ и фотографий глазного дна и выявлять признаки ДР, ДМО, ВМД, аномалии витреомакулярного интерфейса. Платформа доступна для тестирования по ссылке https://www.screenretina.com/

Библиографические ссылки

1. Amoaku WM, Ghanchi F, Bailey C, Banerjee S, Banerjee S, Downey L, et al. Diabetic retinopathy and diabetic macular oedema pathways and management: UK Consensus Working Group. Eye (Lond). 2020;34(Suppl 1): 1–51. doi: 10.1038/s41433-020-0961-6

2. Teo ZL, Tham YC, Yu M, et al. Global prevalence of diabetic retinopathy and projection of burden through 2045: systematic review and meta analysis. Ophthalmology. 2021;128(11): 1580–1591. doi: 10.1016/j. ophtha.2021.04.027

3. Diabetic retinopathy screening: a short guide. Increase effectiveness, maximize benefits and minimize harm. Copenhagen: WHO Regional Office for Europe, 2020;85.

4. Global report on diabetes (WHO), 2016;83. Available from: https://www.who.int/diabetes/global-report/ru/ [Accessed 29th October 2022]

5. Ogurtsova K, da Rocha Fernandes JD, Huang Y, et al. IDF Diabetes Atlas: Global estimates for the prevalence of diabetes for 2015 and 2040. Diabetes Res Clin Pract. 2017;128: 40–50. doi: 10.1016/j.diabres.2017.03.024

6. Beagley J, Guariguata L, Weil C, Motala AA. Global estimates of undiagnosed diabetes in adults. Diabetes Res Clin Pract. 2014;103(2): 150– 160. doi: 10.1016/j.diabres.2013.11.001

7. ICO Guidelines for Diabetic Eye Care, 2017;34. Available from: https://www.urmc.rochester.edu/MediaLibraries/URMCMedia/eyeinstitute/images/ICOPH.pdf [Accessed 29th October 2022]

8. Xu X, Wu J, Yu X, et al. Regional differences in the global burden of age-related macular degeneration. BMC Public Health. 2020;20: 410. doi: 10.1186/s12889-020-8445-y

9. Keenan TDL, Cukras CA, Chew EY. Age-related macular degeneration: epidemiology and clinical aspects. Adv Exp Med Biol. 2021;1256: 1–31. doi: 10.1007/978-3-030-66014-7_1

10. Haddock LJ, Kim DY, Mukai S. Simple, inexpensive technique for high-quality smartphone fundus photography in human and animal eyes. J Ophthalmol. 2013;2013: 518479. doi:10.1155/2013/518479

11. Heydon P, Egan C, Bolter L, et al. Prospective evaluation of an artificial intelligence-enabled algorithm for automated diabetic retinopathy screening of 30 000 patients. Br J Ophthalmol. 2020. doi: 10.1136/bjophthalmol-2020-316594

12. Ming S, Xie K, Lei X, Yang Y, Zhao Z, Li S, Jin X, Lei B. Evaluation of a novel artificial intelligence-based screening system for diabetic retinopathy in community of China: a real-world study. Int Ophthalmol. 2021;41(4): 1291–1299. doi: 10.1007/s10792-020-01685-x

13. Нероев В.В., Брагин А.А., Зайцева О.В. Разработка прототипа сервиса для диагностики диабетической ретинопатии по снимкам глазного дна с использованием методов искусственного интеллекта. Национальное здравоохранение. 2021;2(2): 64–72 [Neroev VV, Bragin AA, Zaytseva OV. Development of a prototype service for the diagnosis of diabetic retinopathy based on fundus photos using artificial intelligence methods. National Health Care (Russia). 2021;2(2): 64–72. (In Russ.)]

14. Wang Z, Zhang W, Sun Y, et.al. Detection of diabetic macular edema in optical coherence tomography image using an improved level set algorithm. Biomed Res Int. 2020;2020: 6974215. doi: 10.1155/2020/6974215

15. Zhang Y, Xu F, Lin Z, Wang J, Huang C, Wei M, Zhai W, Li J. Prediction of visual acuity after anti-VEGF therapy in diabetic macular edema by machine learning. J Diabetes Res. 2022;2022: 5779210. doi: 10.1155/2022/5779210

16. Bhuiyan A, Wong TY, Ting DSW, Govindaiah A, Souied EH, Smith RT. Artificial intelligence to stratify severity of age-related macular degeneration (AMD) and predict risk of progression to late AMD. Transl Vis Sci Technol. 2020;9(2): 25. doi: 10.1167/tvst.9.2.25

17. Motozawa N, An G, Takagi S, et al. Optical coherence tomographybased deep-learning models for classifying normal and age-related macular degeneration and exudative and non-exudative age-related macular degeneration changes. Ophthalmol Ther. 2019;8(4): 527–539. doi: 10.1007/s40123 019-00207-y

18. IDx-DR (EU) – Digital Diagnostics. Available from: https://www.digitaldiagnostics.com/products/eye-disease/idx-dr/ [Accessed 29th October 2022]

19. EyeArt – Eyenuk, Inc. ~ Artificial Intelligence Eye Screening. Available from: https://www.eyenuk.com/en/products/eyeart/ [Accessed 29th October 2022]

20. Porwal P, Pachade S, Kamble R, Kokare M, et al. Indian diabetic retinopathy image dataset (IDRiD). IEEE Dataport. 2018. doi: 10.21227/ H25W98

21. Cen LP, Ji J, Lin JW, et al. Automatic detection of 39 fundus diseases and conditions in retinal photographs using deep neural networks. Nat Commun. 2021;12(1): 4828. doi: 10.1038/s41467-021-25138-w

22. Kermany D, Zhang K, Goldbaum M. Labeled optical coherence tomography (OCT) and chest X-Ray images for classification. Mendeley Data. V2. 2018. doi: 10.17632/rscbjbr9sj.2

23. AI. Retinal Assistant Module. Available from: https://www.amretina.com/ai [Accessed 29th October 2022]

24. Tsung-Yi L, Dollár P, Girshick R, et al. Feature pyramid networks for object detection. 2017. doi: 10.48550/arXiv.1612.03144

25. Abraham N, Khan NM. A novel focal Tversky loss function with improved attention U-Net for lesion segmentation. 2019 IEEE 16th International Symposium on Biomedical Imaging (ISBI 2019). 2019: 683–687. doi: 10.1109/ISBI.2019.8759329

26. Salehi SSM, Erdogmus D, Gholipour A. Tversky loss function for image segmentation using 3D fully convolutional deep networks. In: Wang Q, Shi Y, Suk HI, Suzuki K. (eds). Machine learning in medical imaging. Lecture Notes in Computer Science. 2017: 10541. doi: 10.1007/978-3-319-67389-9_44

27. Каталевская Е.А., Каталевский Д.Ю., Тюриков М.И., Шайхутдинова Э.Ф., Сизов А.Ю. Алгоритм сегментации визуальных признаков диабетической ретинопатии (ДР) и диабетического макулярного отека (ДМО) на цифровых фотографиях глазного дна. Российский журнал телемедицины и электронного здравоохранения. 2021;7(4): 17–26. [Katalevskaya EA, Katalevsky DYu, Tyurikov MI, Shaikhutdinova EF, Sizov AYu. Algorithm for segmentation of visual signs of diabetic retinopathy (DR) and diabetic macular edema (DME) on digital photographs of the fundus. Russian Journal of Telemedicine and E-Health. 2021;7(4): 17–26. (In Russ.)] doi: 10.29188/2712-9217-2021-7-4-17-26

28. 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. Мethods 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

29. Abràmoff MD, Lavin PT, Birch M, et al. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digital Med. 2018;1: 39. doi: 10.1038/s41746-018-0040-6

30. De Fauw J, Ledsam JR, Romera-Paredes B, Nikolov S, et al. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med. 2018;24(9): 1342–1350. doi: 10.1038/s41591-018-0107-6

Загрузки

Опубликован

2023-03-24