Влияние глубокого обучения на автоматическое обнаружение заболеваний сосудов сетчатки

Глубокое обучение стало преобразующей силой в медицинской диагностике, предлагая беспрецедентную точность и скорость в анализе сложных биомедицинских данных. Среди его наиболее убедительных применений - автоматическое обнаружение сосудистых заболеваний сетчатки - условий, которые остаются ведущими причинами предотвратимой слепоты во всем мире. Используя алгоритмы, которые учатся непосредственно из больших объемов изображений сетчатки, системы глубокого обучения теперь конкурируют, а в некоторых случаях превосходят диагностическую эффективность экспертов человека. В этой статье исследуется, как глубокое обучение меняет скрининг, диагностику и управление сосудистыми заболеваниями сетчатки, технические инновации, приводящие к этому сдвигу, и проблемы, которые должны быть решены для широкого клинического принятия.

Понимание заболеваний сосудов сетчатки

Заболевания сосудов сетчатки охватывают группу расстройств, которые повреждают кровеносные сосуды, снабжающие сетчатку — светочувствительную ткань в задней части глаза. Три наиболее распространенных состояния в этой категории — диабетическая ретинопатия, гипертоническая ретинопатия и окклюзия вен сетчатки. Каждое может привести к прогрессирующей потере зрения, если не будет обнаружено и управляется на ранней стадии.

Диабетическая ретинопатия

Диабетическая ретинопатия (ДР) поражает почти треть людей с сахарным диабетом и является ведущей причиной слепоты среди взрослых людей трудоспособного возраста во всем мире. Хронически высокий уровень сахара в крови ослабляет капилляры сетчатки, вызывая микроаневризмы, кровоизлияния и возможный аномальный рост кровеносных сосудов (пролиферативный ДР). По оценкам Всемирной организации здравоохранения, ДР способствует более 2,6 миллиона случаев нарушения зрения во всем мире. Раннее выявление с помощью регулярного скрининга сетчатки является краеугольным камнем предотвращения тяжелой потери зрения, но многие пациенты не имеют доступа к своевременным оценкам офтальмологов.

Гипертоническая ретинопатия

Гипертоническая ретинопатия является результатом хронически повышенного артериального давления, которое сужает и повреждает артериолы сетчатки. Признаки включают артериовенозный никинг, серебряную проводку, а в тяжелых случаях, отек экссудатов и оптического диска. Хотя часто бессимптомно на ранних стадиях, гипертоническая ретинопатия служит маркером системного сердечно-сосудистого повреждения. Автоматический скрининг изображений сетчатки может помочь идентифицировать гипертонических лиц, которые подвергаются повышенному риску инсульта и сердечных заболеваний, что позволяет ранее вмешательство.

Закрытие сетчатки

Окклюзия вен сетчатки (РВО) возникает, когда вена сетчатки блокируется, вызывая резервное копирование крови, отек и ишемию. Это состояние является общей причиной внезапной потери зрения, особенно у пожилых людей с такими факторами риска, как гипертония и глаукома. Центральный и ветвь РВО требуют быстрой диагностики и лечения инъекциями анти-VEGF или лазерной терапии. Автоматическое обнаружение с фотографий фундуса может ускорить направление к специалистам по сетчатке, уменьшая задержки, ухудшающие результаты.

В совокупности сосудистые заболевания сетчатки накладывают тяжелое бремя на системы здравоохранения. Традиционный скрининг опирается на ручную интерпретацию изображений сетчатки офтальмологами или обученными грейдерами - трудоемкий процесс, который страдает от изменчивости между наблюдателями и ограниченной доступности в сельских или малоресурсных условиях. Этот разрыв вызвал срочный интерес к автоматизированным системам на основе глубокого обучения, которые могут обеспечить последовательный, объемный скрининг за небольшую часть стоимости.

Роль глубокого обучения в диагностике

Глубокое обучение, подмножество искусственного интеллекта (ИИ), которое использует многослойные нейронные сети, преуспевает в распознавании сложных моделей в медицинских изображениях. Сверточные нейронные сети (CNN) являются архитектурой выбора для анализа изображений сетчатки. Эти модели изучают иерархические функции - от краев и текстур до специфических для заболевания поражений - непосредственно из пиксельных данных, не требуя ручной разработки функций. Обучение надежному CNN требует больших аннотированных наборов данных; общедоступные хранилища, такие как набор данных для выявления диабетической ретинопатии и конкурс APTOS 2019 Blindness Detection , ускорили исследования в этой области.

Современные системы обычно достигают области под кривой рабочих характеристик приемника (AUC) выше 0,95 для референтного обнаружения диабетической ретинопатии, совпадая или превосходящая людей. Например, модель глубокого обучения Google сообщила о чувствительности 90,3% и специфичности 91,1% среди многонациональных популяций. Помимо DR, были разработаны модели для обнаружения гипертонической ретинопатии, RVO и даже факторов риска возрастной макулярной дегенерации и глаукомы.

Преимущества автоматического обнаружения

Преимущества развертывания глубокого обучения для скрининга сетчатки являются существенными:

• Быстрее время диагностики — один графический процессор может обрабатывать тысячи изображений глазного дна в час, обеспечивая оценку риска заболевания в секундах. Эта скорость позволяет получать результаты в тот же день в настройках пункта ухода, резко сокращая время между скринингом и решениями о лечении.
• Повышенная доступность в отдаленных районах — Портативные камеры сетчатки в сочетании с облачным ИИ могут обеспечить скрининг на уровне экспертов в общественных клиниках здравоохранения, мобильных фургонах и недостаточно обслуживаемых регионах. Программы, такие как IDx-DR система (первый FDA-авторизованный автономный ИИ для обнаружения DR) уже развернуты в клиниках первичной медико-санитарной помощи без офтальмологов на месте.
• Сниженная нагрузка на медицинских работников — Автоматически сортируя аномальные изображения, глубокое обучение позволяет офтальмологам сосредоточиться на пациентах, которые требуют срочного внимания, облегчая нехватку рабочей силы и уменьшая выгорание. В крупномасштабных программах скрининга оно может сократить количество изображений, нуждающихся в обзоре человека, на 50-70% без пропущенных клинически значимых случаев.
• Потенциал для раннего выявления и лечения — ИИ может идентифицировать тонкие патологические признаки за месяцы или годы до того, как симптомы станут очевидными. Раннее выявление диабетической ретинопатии, например, позволяет своевременно проводить лазерную фотокоагуляцию или анти-VEGF терапию, которая может предотвратить до 90% тяжелой потери зрения.

Эти преимущества особенно убедительны в странах с низким и средним уровнем дохода, где соотношение офтальмологов к населению часто составляет менее 1:100 000. Автоматизированный скрининг предлагает масштабируемое решение для удовлетворения растущего спроса на выявление заболеваний сетчатки, поскольку уровень диабета и гипертонии продолжает расти.

Проблемы и ограничения

Несмотря на обещание, необходимо преодолеть несколько барьеров, прежде чем глубокое обучение станет обычным диагностическим инструментом:

• Необходимость в больших высококачественных наборах данных — Производительность модели напрямую связана с разнообразием и качеством аннотации данных обучения. Многие существующие наборы данных не имеют представления о различных этнических группах, возрастах и тяжести заболеваний, что приводит к предвзятым моделям, которые плохо работают на меньшинствах. Такие усилия, как Набор данных EyePACS работают над расширением разнообразия, но пробелы остаются.
• Риск предвзятых моделей, если данные нерепрезентативны — Глубокие нейронные сети могут изучать ложные корреляции — например, связывая конкретный бренд камеры с ярлыком болезни. Без тщательной проверки на независимых, многосайтовых когортах, модели могут демонстрировать пониженную точность при развертывании в новых средах.
• Интеграция в клинические рабочие процессы — Даже точные решения ИИ терпят неудачу, если они не могут беспрепятственно взаимодействовать с существующими электронными медицинскими записями (EHR), системами архивирования изображений и процессами выставления счетов. Клиницисты должны доверять и понимать выход системы; прогнозы черного ящика, которые не дают объяснения, подрывают принятие. Разрабатываются понятные методы ИИ, такие как карты заметности и тепловые карты внимания, чтобы показать, какие области изображения повлияли на решение.
• Регулятивные и этические соображения — Автономные диагностические устройства ИИ требуют одобрения со стороны таких органов, как Управление по контролю за продуктами и лекарствами США (FDA) или маркировка европейского соответствия (CE). Система IDx-DR получила разрешение FDA De Novo в 2018 году как полностью автономная диагностика, но большинство других систем по-прежнему классифицируются как вспомогательные (требующие надзора со стороны клиницистов). Вопросы ответственности остаются нерешенными: если ИИ пропускает диагноз, кто несет ответственность — разработчик, клиницист или учреждение? Конфиденциальность данных — это еще одна проблема, поскольку изображения сетчатки являются биометрическими идентификаторами, которые должны быть защищены в соответствии с такими правилами, как HIPAA и GDPR.

Исследователи и регуляторы активно решают эти проблемы с помощью строгих протоколов проверки, федеративного обучения (для обучения моделей на распределенных данных без обмена необработанными изображениями) и разработки рамок непрерывного мониторинга, которые обнаруживают дрейф производительности после развертывания.

Ключевые архитектуры и методы глубокого обучения

В то время как CNN остаются рабочей лошадкой для классификации изображений сетчатки, новые архитектуры продвинули границу точности и интерпретируемости. В современных системах широко используются следующие подходы:

• ResNet (Residual Networks) — Пропускные соединения позволяют обучать очень глубокие сети (например, ResNet-50, ResNet-101), которые изучают богатые представления без исчезающих градиентов. Модели на основе ResNet достигли лучших результатов во многих тестах обнаружения DR.
• Начало (GoogleNet) — Используя параллельные сверточные фильтры разных размеров, сети Начала захватывают функции в нескольких масштабах — идеально подходит для обнаружения как крошечных микроаневризм, так и крупных кровоизлияний в изображениях дна.
• U-Net и варианты — Для задач сегментации, таких как очерчивание границ оптического диска, фовеи или поражения, структура кодера-декодера U-Net с пропускными соединениями обеспечивает точность на уровне пикселей. Это жизненно важно для количественной оценки тяжести заболевания (например, количества кровоизлияний), а не только для бинарной классификации.
• Механизмы внимания — Добавление слоев внимания помогает модели сосредоточиться на наиболее релевантных областях изображения, улучшая как точность, так и интерпретируемость. Например, модель может научиться посещать макулу при оценке диабетического отека желтого пятна.
• Методы сборки — Комбинирование прогнозов от нескольких независимо обученных моделей часто дает более высокую AUC и более надежную производительность, чем любая одна модель, особенно когда отдельные модели различаются по архитектуре или данным обучения.
• Передача обучения — Претренировка на больших наборах данных естественного изображения (например, ImageNet) перед тонкой настройкой на изображениях сетчатки уменьшает потребность в массивных медицинских наборах данных и ускоряет конвергенцию.

Помимо двумерных фотографий глазного дна, глубокое обучение также применяется к оптической когерентной томографии (OCT) - методу визуализации поперечного сечения, который предоставляет подробную информацию о слоях сетчатки. CNNs могут сегментировать карманы жидкости, друзен и другие функции в сканировании OCT, помогая в диагностике диабетического макулярного отека, возрастной макулярной дегенерации и центральной серозной ретинопатии. Сочетание анализа дна и ОКТ в одном трубопроводе глубокого обучения является активной областью исследований.

Тематические исследования и реальные мировые реализации

Несколько систем глубокого обучения перешли от академических прототипов к коммерческим продуктам и клиническим испытаниям.

• IDx-DR (Цифровая диагностика) — В 2018 году эта система стала первым автономным ИИ, авторизованным FDA для выявления более чем легкой диабетической ретинопатии. Она не требует специальной интерпретации — сотрудник первичной медико-санитарной помощи делает снимки с помощью камеры с верхним слоем глазного дна, и ИИ выдает двоичный результат (обратимый DR присутствует или нет).
• Здоровье Google / Верли — Ансамбль моделей глубокого обучения был обучен на более чем 280 000 изображениях сетчатки от 200 000 пациентов в Индии, США и Великобритании. Система достигла высокой чувствительности и специфичности для DR и диабетического макулярного отека, и впоследствии была подтверждена в проспективном клиническом исследовании в Таиланде.
• Сингапурский институт исследования глаз разработал систему глубокого обучения для выявления множественных состояний сетчатки (DR, глаукома, возрастная макулярная дегенерация) из одного изображения глазного дна. Встроенная в национальную сеть телемедицинского скрининга Сингапура, она обрабатывает более 200 000 изображений в год.
• RetCAD (Thirona) — Это программное обеспечение с маркировкой CE использует глубокое обучение для обнаружения реферабельных DR и глаукомы, с выходами, которые включают в себя оценки уверенности и наложения тепловой карты. Он был проверен в нескольких этнических когортах и используется в европейских программах скрининга.

• Анализ в реальном времени во время осмотра глаз — Развернутый на периферических устройствах или интегрированный непосредственно в камеры глазного дна, будущий ИИ обеспечит немедленную обратную связь во время посещения пациента, что позволит принимать решения о лечении в тот же день.
• Интеграция с электронными медицинскими записями — выходы глубокого обучения будут автоматически связаны с записями пациентов, вызывая оповещения о просроченных наблюдениях, генерируя структурированные отчеты и вводя в анализ здоровья населения для выявления групп высокого риска.
• Персонализированные планы лечения — Анализируя продольные последовательности изображений, ИИ может предсказать скорость прогрессирования заболевания и рекомендовать персонализированные интервалы скрининга или интенсификацию лечения, выходя за рамки подхода, соответствующего всем.
• Мультимодальный и многоболезневый скрининг - Единичные модели, способные обнаруживать не только DR, но и глаукому, ВМД и системные состояния (например, маркеры сердечно-сосудистого риска) из одних и тех же изображений сетчатки, станут стандартными, что сделает скрининг более всеобъемлющим и экономически эффективным.
• FLT:0 — Системы будущего будут постоянно обновлять свои пороговые значения принятия решений на основе реальных результатов, в то время как федеративное обучение гарантирует, что данные остаются локальными — выигрыш для конфиденциальности и производительности.

Сотрудничество между технологами, клиницистами, системами здравоохранения и регулирующими органами будет иметь важное значение для преодоления оставшихся препятствий. Если эти партнерские отношения увенчаются успехом, глубокое обучение не только сделает диагностику сосудистых заболеваний сетчатки более быстрой и точной - это демократизирует доступ к спасающей зрение медицинской помощи в глобальном масштабе.

Заключение

Глубокое обучение уже продемонстрировало замечательную способность автоматизировать обнаружение диабетической ретинопатии, гипертонической ретинопатии и окклюзии вен сетчатки от изображений сетчатки. Его преимущества - скорость, масштабируемость, согласованность и потенциал для раннего вмешательства - устраняют критические пробелы в текущих программах скрининга. Однако проблемы, связанные с разнообразием данных, клинической интеграцией, одобрением регулирующих органов и этической справедливостью, должны быть решены, прежде чем эти системы смогут выполнить свое обещание. Текущие исследования и реальные развертывания неуклонно преодолевают эти препятствия, и траектория указывает на будущее, где автоматизированный скрининг сетчатки становится рутинным, экономически эффективным компонентом первичной помощи. Для миллионов людей, подверженных риску потери зрения от сосудистых заболеваний сетчатки, глубокое обучение предлагает мощный инструмент для защиты их зрения.