Штучний інтелект відкриває широкі можливості для розвитку офтальмології, зокрема для стратифікації ризиків, покращення діагностичної візуалізації, персоналізації ведення пацієнтів та розвитку освітніх програм.
Одним із перспективних напрямів застосування ШІ є оптична когерентна томографія (ОКТ). Перші розробки на основі глибокого навчання були спрямовані на автоматизоване визначення меж шарів сітківки. Сьогодні технології глибокого навчання активно розвиваються та дають змогу виявляти й аналізувати патологічні зміни на ОКТ-зображеннях.
Стрімкий розвиток технологій та поява великих масивів даних сприяють активному впровадженню ШІ в медицину. В офтальмології це особливо актуально, оскільки діагностика та лікування захворювань сітківки значною мірою базуються на регулярному аналізі результатів візуалізаційних досліджень.
Сучасні системи штучного інтелекту можуть допомагати лікарям у вирішенні широкого спектра завдань — від прогнозування та класифікації захворювань до аналізу зображень і виявлення патологічних змін. Зокрема, алгоритми контрольованого машинного навчання використовують розмічені набори даних та зображень для розпізнавання ознак норми й патології сітківки.
Водночас впровадження ШІ у клінічну практику супроводжується низкою викликів. Серед них — якість та цілісність даних, відповідальність за рішення, прийняті за допомогою алгоритмів, а також можливі зміни у взаємодії між лікарем і пацієнтом.
Попри це, перспективи використання ШІ в офтальмології залишаються значними. За результатами опитувань, офтальмологи очікують, що інтеграція технологій штучного інтелекту сприятиме підвищенню ефективності скринінгу, удосконаленню діагностики та покращенню якості допомоги пацієнтам.
ШІ в зображенні очного дна
ШІ став багатообіцяючим інструментом для покращення можливостей скринінгу як у гострих, так і в хронічних клінічних ситуаціях. Онлайн-конкурс Retinopathy Online Challenge, заснований у 2010 році Університетом Айови, є прикладом зусиль, спрямованих на розвиток штучного інтелекту в цій галузі шляхом оцінки алгоритмів виявлення мікроаневризм на стандартизованому наборі даних зображень очного дна. Системи штучного інтелекту, продемонстрували значну точність у ідентифікації мікроаневризм (Рис.1).
Рис 1. На широкопольних псевдокольорових фотографіях очного дна правого (А) і лівого (В) ока видно ділянки мікроаневризм, крапкових крововиливів, внутрішньоретинальних мікросудинних аномалій і областей, підозрілих на неоваскуляризацію. Білі прямокутники показують маркування, яке використовує AI для виявлення DR (діабетичної ретинопатії).
ШІ для аналізу судин сітківки
Сучасні технології штучного інтелекту активно застосовуються для автоматизованого виявлення та аналізу судин сітківки, навіть за умов значних варіацій їхньої морфології та складного фонового зображення. Зокрема, були розроблені моделі глибоких конволюційних нейронних мереж (CNN), здатні точно сегментувати судинну мережу сітківки.
Водночас виявлення неоваскулярних змін, характерних для діабетичної ретинопатії, залишається складним завданням і потребує подальшого вдосконалення алгоритмів.
Нові підходи до обробки зображень, зокрема поєднання мереж перенесення стилю з алгоритмами реєстрації, сприяють покращенню вирівнювання зображень та підвищенню точності їх аналізу. Проте ефективність таких моделей необхідно оцінювати не лише в контрольованих дослідницьких умовах, а й у реальній клінічній практиці.
Дослідження демонструють, що результати роботи моделей штучного інтелекту можуть відрізнятися залежно від умов їх застосування. Це підкреслює важливість комплексної валідації алгоритмів на реальних клінічних даних перед їх широким впровадженням у медичну практику.
ШІ в аналізі ОКТ-зображень
Оптична когерентна томографія (ОКТ) є одним із ключових методів візуалізації сітківки. Вона дає змогу виявляти інтраретинальне та субретинальне накопичення рідини, а також зміни товщини окремих шарів сітківки. Ці показники є важливими біомаркерами для діагностики та моніторингу таких захворювань, як діабетичний макулярний набряк, вікова макулярна дегенерація (ВМД), оклюзії вен сітківки та центральна серозна ретинопатія.
Одним із перших напрямів застосування глибокого навчання в ОКТ стала автоматизована сегментація шарів сітківки. Визначення їхніх меж є важливим етапом кількісної оцінки структурних змін. В одному з досліджень алгоритм глибокого навчання продемонстрував 96,7% точності сегментації пігментного епітелію сітківки на основі аналізу 1022 ОКТ-зображень макулярної ділянки, що свідчить про значний потенціал таких технологій.
Подальший розвиток моделей глибокого навчання дозволив удосконалити автоматичне визначення меж різних шарів сітківки, зокрема внутрішньої обмежувальної мембрани та пігментного епітелію сітківки.
Окремі алгоритми продемонстрували високу ефективність у виявленні інтраретинальної та субретинальної рідини — з точністю до 91%, що є порівнянною з оцінками експертів у галузі патології сітківки.
Штучний інтелект також використовується для скринінгу та визначення стадії діабетичної ретинопатії на основі даних ОКТ та ОКТ-ангіографії. Інші моделі здатні виявляти накопичення рідини при ВМД та формувати теплові карти, які допомагають візуалізувати ділянки патологічних змін, потенційно непомітні під час звичайного аналізу.
Ці розробки демонструють значний потенціал глибокого навчання для підвищення точності діагностики, оцінки активності та стадії захворювань сітківки. У перспективі такі інструменти можуть стати важливою підтримкою для лікаря під час прийняття клінічних рішень.
Наступним кроком у розвитку таких технологій стало створення алгоритмів, здатних не лише виявляти патологічні зміни, а й допомагати визначати активність захворювання та оптимальну тактику лікування. Зокрема, алгоритм Deepeye використовує ОКТ-зображення для оцінки активності вікової макулярної дегенерації та формування рекомендацій щодо лікування, спрямованих на оптимізацію застосування анти-VEGF-терапії.
Мультимодальна візуалізація та системні захворювання
Офтальмологічна візуалізація має значний потенціал і в розвитку мультимодальних підходів до діагностики, адже стан сітківки може відображати зміни, пов'язані із системними захворюваннями.
Поєднання ОКТ-ангіографії та технологій штучного інтелекту відкриває можливості для швидкого аналізу мікросудинної мережі сітківки, виявлення змін кровотоку, а також оцінки ознак набряку та запальних процесів у ділянці зорового нерва.
Такі зміни можуть мати діагностичне та прогностичне значення, зокрема під час оцінки ризику розвитку розсіяного склерозу у пацієнтів після епізоду невриту зорового нерва. Для прогнозування подальшого перебігу захворювання широко застосовується магнітно-резонансна томографія. Таким чином, ОКТ/ОКТ-ангіографія та МРТ можуть доповнювати одна одну, надаючи лікарю комплексну інформацію про структурні та функціональні зміни.
Canon Medical: технології для високоякісної візуалізації
Canon Medical розробляє технології, спрямовані на підвищення якості та точності офтальмологічної діагностики. Системи оптичної когерентної томографії Canon поєднують простоту використання, швидке отримання даних та високу якість зображень із низьким рівнем шуму.
Окрему роль відіграє технологія Intelligent Denoise — інтелектуальна система обробки зображень на основі штучного інтелекту. Вона дає змогу підвищити якість ОКТ-ангіографічних зображень на основі окремого сканування, без необхідності отримання та усереднення великої кількості повторних зображень.
Завдяки Intelligent Denoise зображення можуть бути отримані за лічені секунди та характеризуються зниженим рівнем шуму й покращеною деталізацією. Це допомагає оптимізувати робочий процес, заощаджувати час та отримувати більш інформативні зображення для подальшого аналізу.
Штучний інтелект стає важливим інструментом сучасної офтальмології, допомагаючи лікарям швидше отримувати, аналізувати та інтерпретувати дані візуалізації.
Рис 2. Оптимізація зображення сітківки за допомогою технології штучного інтелекту Intelligent Denoise
ШІ у ангіографії флуоресцеїном
Традиційна клінічна оцінка ділянок неперфузії за допомогою флюоресцеїнової ангіографії (FA) базується на непрямих маркерах ішемії, таких як ішемічний індекс, які зазвичай проявляються на пізніх стадіях захворювання. Це обмеження підкреслює потребу в автоматизованих системах виявлення, здатних ідентифікувати тонкі ішемічні зміни на ранніх стадіях, таким чином забезпечуючи своєчасне та надійне керівництво для прийняття клінічних рішень.
Нещодавні досягнення в Deep Learning показали багатообіцяючі можливості для покращення виявлення неперфузії та інших патологічних ознак на зображеннях FA (Рис 3).
Рис 3. FA правого (A) і лівого (B) ока виявляє гіперфлуоресцентні ділянки, що відповідають витоку внаслідок неоваскуляризації, і гіпофлуоресцентні ділянки, що відповідають важкій ішемії, що вказує на проліферативну діабетичну ретинопатію в кожному оці. Білі прямокутники показують маркування, яке використовує ШІ для виявлення DR (діабетичної ретинопатії).
В інших захворюваннях сітківки, таких як неоваскулярна ВМД і центральна серозна ретинопатія, моделі глибокого навчання також успішно застосовувалися для виявлення хоріоїдальної неоваскуляризації та витоку. Наприклад, була розроблена модель глибокого навчання, що визначає точки витоку при центральній серозній ретинопатії з точністю 93,4%, що перевершує точність 89,7%, досягнуту офтальмологами. Ці дослідження ілюструють зростаючу корисність моделей на основі глибокого навчання для підвищення діагностичних можливостей ангіографії флуоресцеїном в клінічній практиці.
Застереження при застосуванні
Інтеграція штучного інтелекту в офтальмологію має значний потенціал для підвищення точності діагностики, оптимізації результатів лікування пацієнтів і підвищення ефективності медичної допомоги. Однак клінічне застосування штучного інтелекту стикається з кількома проблемами, включаючи цілісність даних, судово-медичну підзвітність і можливі зміни у відносинах між пацієнтом і лікарем. Відповідно якість вихідних даних залежить від якості вхідних, що підкреслює критичну потребу у високоякісних вхідних даних для забезпечення надійності та точності передбачень, керованих ШІ.
Крім того, етичні та правові проблеми, зокрема пов’язані з конфіденційністю даних і делегуванням повноважень щодо прийняття рішень, вимагають надійної нормативної бази. Незважаючи на ці проблеми, триваючі перспективні випробування та досягнення в мультимодальних системах штучного інтелекту підкреслюють перспективність штучного інтелекту в доповненні до роботи офтальмологів, покращенні діагностики сітківки та покращенні клінічних робочих процесів. Успішна інтеграція штучного інтелекту в офтальмологію може призвести до більш ефективного, економічного та точного лікування сітківки в майбутньому.