Автоматическое обнаружение диабетической ретинопатии на изображениях сетчатки с помощью ИИ

Понимание диабетической ретинопатии: патофизиология и глобальное бремя

Диабетическая ретинопатия (ДР) является микрососудистым осложнением сахарного диабета и ведущей причиной предотвратимой слепоты среди взрослых людей трудоспособного возраста во всем мире. Условие возникает, когда хронически повышенный уровень глюкозы в крови повреждает тонкие кровеносные сосуды, питающие сетчатку — светочувствительную ткань в задней части глаза. Со временем это повреждение вызывает каскад патологических изменений, которые, если их не контролировать, могут привести к необратимой потере зрения.

Как диабет повреждает сетчатку

Гипергликемия нарушает целостность капиллярных эндотелиальных клеток и перицитов сетчатки, что приводит к образованию микроаневризм — небольших сакулярных отложений стенки сосуда. Это часто самый ранний клинически обнаруживаемый признак ДР. По мере прогрессирования заболевания ослабленные сосуды начинают протекать в окружающую ткань сетчатки, вызывая твердые экссудаты, точечно-блотовые кровоизлияния и отек сетчатки. Когда макулярный отек включает фовею, центральное зрение становится искаженным или размытым — состояние, называемое диабетическим макулярным отеком (ДМЭ), которое является наиболее распространенной причиной потери зрения у людей с ДР.

На более поздних стадиях (пролиферативная диабетическая ретинопатия или PDR) ишемия сетчатки запускает высвобождение сосудистого эндотелиального фактора роста (VEGF), стимулируя рост аномальных новых кровеносных сосудов на поверхности сетчатки и зрительного диска. Эти неоваскулярные сосуды хрупки и склонны к кровоизлиянию, что приводит к стекловидному кровоизлиянию, отслоению тяговой сетчатки и неоваскулярной глаукоме — все это может быстро и навсегда ухудшить зрение.

Масштаб проблемы

По данным Всемирной организации здравоохранения , примерно 537 миллионов взрослых людей живут с диабетом, и каждый третий будет развивать ту или иную форму ДР в течение своей жизни. Во многих регионах, особенно в странах с низким и средним уровнем дохода, соотношение офтальмологов к людям с диабетом тревожно низкое. Это создает огромный разрыв в скрининге: миллионы пациентов не получают ежегодное расширенное обследование глаз, рекомендованное для раннего выявления. В результате ДР слишком часто не диагностируется, пока не достигнет стадии, когда лечение является более сложным, менее эффективным и гораздо дороже.

Роль искусственного интеллекта в обнаружении DR

Искусственный интеллект, в частности глубокое обучение, стал мощным инструментом для решения проблемы узкого места скрининга. Автоматизируя анализ фотографий сетчатки дна, системы ИИ могут идентифицировать особенности DR с точностью и скоростью, которые конкурируют, а в некоторых исследованиях превосходят человеческие грейдеры. Основной технологией этих систем является сверточная нейронная сеть (CNN), класс архитектур глубокого обучения, предназначенных для обработки данных, подобных сетке, таких как изображения.

Архитектура глубокого обучения для анализа изображений сетчатки

Современные системы обнаружения ИИ построены на опорных линиях CNN, таких как ResNet, Inception, MobileNet и EfficientNet. Эти архитектуры были предварительно обучены массивным наборам данных изображений (например, ImageNet) и затем тонко настроены - с использованием метода, называемого обучением передаче - на кураторских коллекциях изображений сетчатки, помеченных экспертами-офтальмологами. Типичный конвейер включает в себя: предварительную обработку изображений (нормализацию, усиление контраста, изменение размера), извлечение дискриминационных признаков (микроаневризмы, кровоизлияния, экссудаты и неоваскуляризацию) и заголовок классификации, который выводит оценку тяжести (например, отсутствие DR, умеренный непролиферативный DR, умеренный NPDR, тяжелый NPDR или PDR) или решение о бинарном скрининге (предпочтительно против непредпочтительного DR).

Более продвинутые модели включают подсети сегментации для выделения патологических областей, что позволяет клиницистам визуализировать рассуждения ИИ. Это шаг к объяснимости, что имеет решающее значение для укрепления доверия в клинических условиях. Некоторые системы также используют механизмы внимания, которые фокусируют сеть на наиболее клинически значимых областях сетчатки, улучшая как производительность, так и интерпретируемость.

Стандарты подготовки данных и аннотаций

Качество любой системы обнаружения ИИ зависит от количества, разнообразия и точности маркировки данных обучения. Несколько крупномасштабных общедоступных наборов данных ускорили прогресс в этой области. Набор данных EyePACS (размещенный на Kaggle) содержит более 88 000 изображений глазного дна из нескольких этнических групп и широко используется в исследовательских конкурсах. Другие важные наборы данных включают APTOS 2019 (Азиатско-Тихоокеанское общество телеофтальмологии), IDRiD (Индийский набор данных диабетической ретинопатии изображений) и изображения сетчатки из Сингапурской интегрированной программы диабетической ретинопатии.

Протоколы аннотации обычно следуют шкале тяжести Международной клинической диабетической ретинопатии (ICDR) или более подробной шкале исследования ранней терапии диабетической ретинопатии (ETDRS). Каждое изображение оценивается по крайней мере одним офтальмологом или сертифицированным градером центра чтения, и случаи с неоднозначными особенностями часто рассматриваются вторым экспертом. Этот трудоемкий процесс необходим для установления достоверной истины.

Метрики производительности и точность реального мира

Модели ИИ для обнаружения DR оцениваются с использованием чувствительности (истинная положительная скорость), специфичности (истинная отрицательная скорость), области под кривой рабочих характеристик приемника (AUC) и положительного прогностического значения. В контролируемых лабораторных условиях ведущие модели достигли значений AUC между 0,94 и 0,99 для реферативного обнаружения DR, причем чувствительность и специфичность превышают 90%. Однако реальные показатели могут значительно варьироваться из-за различий в оборудовании для получения изображений, популяциях пациентов и распространенности таких запутанных состояний, как катаракта или миопическая дегенерация.

Веховое исследование показало, что проверенная система ИИ поддерживала чувствительность 96% и специфичность 87% в условиях скрининга первичной медико-санитарной помощи. Эти цифры сопоставимы, а в некоторых случаях и лучше, чем производительность отдельных грейдеров человека в крупномасштабных телемедицинских программах. Управление по контролю за продуктами и лекарствами США (FDA) установило минимальное требование к чувствительности 85% и специфичность 82,5% для автономных устройств ИИ, используемых в скрининге DR - эталоны, которые в настоящее время последовательно превышают несколько коммерческих систем.

Клиническое усыновление и регулятивные вехи

Переход от исследовательского прототипа к утвержденному медицинскому устройству был быстрым. Первой одобренной FDA системой ИИ для автономного обнаружения DR было устройство IDx-DR (теперь LumineticsCore), очищенное в 2018 году. С тех пор на рынок вышли несколько других систем, включая EyeArt (Eyenuk), который получил разрешение FDA в 2020 году, и платформу Retina-AI (Цифровая диагностика). В Европе несколько продуктов ИИ получили маркировку CE в соответствии с Регламентом о медицинском устройстве (MDR), что позволяет развертывать программы скрининга по всему ЕС.

Интеграция в клинические рабочие процессы

Развертывание системы обнаружения ИИ в реальных условиях включает в себя не только установку программного обеспечения. ИИ должен интегрироваться с существующими системами управления практикой, электронными медицинскими записями (EMR) и системами архивирования изображений и связи (PACS). Интеграция рабочего процесса часто требует: безопасного облачного или локального сервера вывода, пользовательского интерфейса для загрузки изображений и результатов просмотра и механизма для генерации реферальных писем, когда ИИ помечает случай как реферативный. Многие системы предназначены для работы в точке ухода - например, в кабинете врача первичной медико-санитарной помощи или в аптечной кабинке - обеспечивая немедленный результат, чтобы пациентам не нужно было возвращаться для отдельного посещения интерпретации.

Возмещение является важным фактором принятия. В Соединенных Штатах Центры Medicare & Medicaid Services (CMS) установили коды возмещения для скрининга сетчатки, основанного на ИИ, что ускорило внедрение в сети первичной медико-санитарной помощи. Частные страховщики последовали этому примеру во многих штатах. Аналогичные пути возмещения развиваются в Европе и Азии, хотя охват остается неравномерным в разных юрисдикциях.

Экономическое воздействие и экономическая эффективность

Несколько экономических анализов в области здравоохранения показали, что скрининг на основе ИИ для DR является экономически эффективным по сравнению с обычной ручной классификацией - особенно при развертывании в группах с высокой распространенностью диабета и ограниченным доступом к глазным специалистам. Моделирующее исследование показало, что скрининг на ИИ в условиях первичной медико-санитарной помощи снизил стоимость на правильно идентифицированный случай реферативной DR на 20% до 35%, в первую очередь за счет устранения необходимости личного посещения офтальмолога. Когда включены косвенные затраты (время в пути пациента, потерянная производительность), экономия становится еще более выраженной. В масштабах всего населения масштабирование скрининга на ИИ может предотвратить десятки тысяч случаев слепоты ежегодно, при этом экономя системы здравоохранения на миллиарды долларов.

Проблемы и ограничения

Несмотря на эти достижения, необходимо преодолеть ряд препятствий, прежде чем обнаружение на основе ИИ станет универсальным стандартом ухода.

Разнообразие данных и алгоритмическая обобщаемость

Известно, что модели ИИ неэффективны в отношении групп населения, которые недостаточно представлены в данных об обучении. Большинство общедоступных наборов данных изображений сетчатки происходят из конкретных географических регионов, преимущественно из Восточной Азии, Южной Азии или Кавказа. Более темная пигментация радужной оболочки глаза, более высокие показатели катаракты и другие сопутствующие заболевания глаз — более распространенные в африканских и латиноамериканских популяциях — могут ухудшить точность модели. Без преднамеренных усилий по сбору разнообразных данных об обучении со всего мира существует риск того, что системы ИИ будут расширять, а не сужать существующие различия в здоровье.

Интерпретируемость и доверие клиницистов

Многие практикующие офтальмологи и оптометристы по-прежнему скептически относятся к решениям ИИ «черного ящика». Даже когда модель является высокоточным, клиницисты могут неохотно действовать по ее рекомендациям, не понимая основных функций, которые привели к выходу. Достижения в объяснимом ИИ — включая карты заметности, карты активации классов и методы атрибуции концепции — направлены на то, чтобы сделать рассуждения модели прозрачными. Однако не было установлено стандарта для клинически значимой объяснимости, и некоторые исследователи утверждают, что последующее объяснение может быть ошибочным или слишком самоуверенным. Построение доверия требует не только технической объяснимости, но и строгих, опубликованных исследований валидации и постоянного мониторинга производительности в реальном мире.

Медико-правовая и нормативная сложность

Вопросы об ответственности — если ИИ пропустит случай реферативной DR, кто несет ответственность? — остаются нерешенными во многих юрисдикциях. Регулирующие органы также борются с тем, как контролировать производительность ИИ после развертывания. В отличие от статических медицинских устройств, модели ИИ могут постепенно обновляться, что означает, что их поведение может меняться с течением времени. Предлагаемая FDA структура для заранее определенных планов контроля изменений (PCCP) является одним из подходов к управлению этой проблемой, но она еще не реализована. Международная гармонизация нормативных стандартов уменьшит барьеры для производителей и облегчит глобальное развертывание.

Будущие направления

Следующее поколение систем искусственного интеллекта для диабетической ретинопатии, вероятно, выйдет далеко за рамки простой классификации изображений.

Мультимодальный и прогнозный ИИ

Сочетание фотографии глазного дна с другими источниками данных, такими как оптическая когерентная томография (OCT), системные метаболические данные (HbA1c, артериальное давление, липидный профиль) и геномные маркеры, может обеспечить более полную оценку риска. Мультимодальные модели ИИ уже разрабатываются для прогнозирования прогрессирования DR с течением времени, что позволяет перейти от реактивного скрининга к проактивному, персонализированному наблюдению. Например, модель может идентифицировать пациента с легким NPDR, у которого есть 30% риск прогрессирования в PDR в течение трех лет, что вызывает более частое наблюдение или более раннее вмешательство.

Портативный и смартфонный скрининг

Инновации в области аппаратного обеспечения делают скрининг на основе ИИ более доступным в условиях с низкими ресурсами. Камеры на основе фундуса на основе смартфона (такие как Remidio NM FOP, Volk iNview или специально разработанные навесы объективов) теперь могут захватывать изображения достаточного качества для анализа ИИ. Несколько исследований показали, что эти портативные системы в сочетании с облачными или краевыми выводами ИИ достигают точности, сопоставимой с настольными камерами на фундусе. Это может революционизировать скрининг в сельских медицинских постах, школьных программах здравоохранения и мобильных клиниках, где доведение пациента до специалиста по сетчатке часто логистически невозможно.

Профилактический ИИ и раннее вмешательство

Системы ИИ также исследуются на предмет их способности обнаруживать субклинические изменения — признаки повреждения сетчатки, которые еще не видны человеческому глазу. Свёрточные нейронные сети, обученные на изображениях ультраширокополосной сетчатки или на ОКТ-ангиографии, могут идентифицировать раннее капиллярное отсев, тонкую сосудистую тортуозность или изменения в парафовеальной межкапиллярной области. Если их проверить, эти биомаркеры могут позволить вмешательство на этапе, когда модификации образа жизни или системные методы лечения наиболее эффективны, потенциально предотвращая прогрессирование в градуируемую ДР в целом. Это будет представлять собой сдвиг парадигмы от обнаружения установленного заболевания до действительно профилактической офтальмологии.

Заключение

Автоматизированное выявление диабетической ретинопатии с использованием искусственного интеллекта перешло от исследовательского любопытства к клинически развернутой реальности. Модели глубокого обучения теперь обеспечивают точность наравне с экспертами-геймерами, а одобрения регулирующих органов в США, Европе и Азии проложили путь к широкому распространению. Технология предлагает ощутимые преимущества: более быстрый скрининг, расширенный доступ в недостаточно обслуживаемых регионах, снижение диагностической изменчивости и более низкие затраты. Тем не менее, проблемы остаются - разнообразие данных, интерпретируемость, медико-правовые рамки и интеграция в существующие системы здравоохранения требуют постоянного внимания.

Наиболее успешные сценарии будущего, вероятно, будут включать ИИ в качестве соавтора, а не замены — расширение возможностей специалистов по уходу за глазами и предоставление им возможности сосредоточиться на пациентах, которые больше всего нуждаются в их опыте. В сочетании с портативными устройствами визуализации, мультимодальным слиянием данных и прогнозной аналитикой ИИ имеет потенциал для резкого снижения заболеваемости слепотой, связанной с диабетом во всем мире. Ключ заключается в том, чтобы реализовать эти инструменты продуманно, обеспечивая справедливый доступ, надежную проверку и устойчивое соответствие меняющимся потребностям клиницистов и пациентов.