Современная офтальмология сталкивается с растущим трендом патологий глазного дна, связанных с вредными привычками, неправильным питанием и увеличением продолжительности жизни населения. Нагрузка на медицинские учреждения требует поиска оптимального технического решения, которые бы ускорило обработку изображений оптической когерентной томографии (ОКТ).

Помощью врачам-офтальмологам могут стать платформы на основе искусственного интеллекта, такие как Retina AI – их кейс является показательным в обработке данных пациентов с заболеваниями возрастной макулярной дегенерацией, диабетической ретинопатией, центральной серозной хориоретинопатией, наличием эпиретинальной мембраны.

От тестируемого алгоритма требовалось, чтобы он сегментировал очевидные признаки кистозного макулярного отека, хориоидальной неоваскуляризации, центральной серозной хориоретинопатии и эпиретинальной мембраны на томографических изображениях сетчатки глаза. Под признаками подразумевались интраретинальные кисты, субретинальная жидкость, субретинальный гиперрефлективный материал, отслойка ретинального пигментного эпителия, эпиретинальная мембрана, ретинальные друзы.

Для обучения ИИ было взято 3500 сканов изображений с томографа. Объем валидационной базы данных составил 650 изображений. Все патологии со снимков были заранее выявлены офтальмологами для будущей сверки.

Основой для архитектуры нейросети стала EfficientNetB0 + FPN. На основе масок, выделенных при сегментации характеристик, определяются координаты точек контуров найденных признаков и оцениваются параметры этих контуров. Последние могут быть использованы для предоставления рекомендаций по проведению дифференциальной диагностики у пациента.

Насколько четко может работать модель, в разработке должно было определяться соответствием обработки данных заданным критериям: true/false positives, true/false negatives – правильные или неправильные положительные или отрицательные срабатывания, мерами точности были выбраны точность срабатывания и специфичность.

В процессе валидации набор снимков с томографа пропускали через обученную нейросеть с подсчетом true positives, false positives, true negatives, false negatives и вычислением Accuracy (точность срабатывания), Precision (погрешность), Specificity (специфичность) и AUC (площадь под ROC-кривой, показывает качество предсказаний нейросети).

В результате для разных признаков патологий были даны интерпретации разной точности: для интраретинальных кист – 98,06%, для субретинальной жидкости – 96,27%, для отслойки ретинального пигментного эпителия – 92,84%, для субретинального гипер-рефлективного материала – 95,52%, для эпиретинальной мембраны - 88,97%, для ретинальных друз – 89,12%.