УДК 617.7

Использование нейросетевых технологий в диагностике диабетической ретинопатии на изображениях глазного дна

Бурсов Андрей Игоревич – советник по цифровой медицине Института системного программирования им. В.П. Иванникова Российской академии наук, ассистент кафедры Медицинской информатики и телемедицины Медицинского института Российского университета дружбы народов им. Патриса Лумумбы

Сафонова Дарья Максимовна – младший научный сотрудник отдела Современных методов лечения в офтальмологии Научно-исследовательского института глазных болезней им. М.М. Краснова

Аннотация: В статье рассматриваются некоторые подходы к обучению нейросетевых моделей для анализа снимков глазного дна при диабетической ретинопатии, испробованные за 2022-2023 гг. Рассматривается эффективность использования широкоугольных изображений и обычных; подходы к обучению с заранее аннотированным набором данных и без аннотирования; обучение на малых наборах данных; обучение на базе наборов, подготовленных специалистами с различным уровнем квалификации.

Ключевые слова: анализ данных в медицине, сахарный диабет, офтальмология, нейросети, искусственный интеллект, машинное обучение.

Диабетическая ретинопатия (ДР) является распространенным ранним осложнением сахарного диабета и одной из причин слепоты при этом заболевании. В клинической диагностике и лечении эффективным способом предотвращения развития ДР является регулярное обследование и фиксация состояния глазного дна с помощью фундус-камеры. Одним из перспективных методов для диагностики является анализ снимков глазного дна с помощью алгоритмов машинного обучения. Обрабатывая снимок, алгоритм выдает числовые метрики, показывающие вероятность наличия или отсутствия конкретной патологии, или подсвечивает патологический участок на изображении и относит его к определенному классу патологических элементов.

Однако обычные фундус-изображения имеют узкое поле зрения, что приводит к снижению возможностей автоматической оценки ДР. Для решения данной проблемы Liu H и соавт. создали набор данных, содержащий 101 изображение с ультрашироким полем зрения, и предложили метод автоматической классификации на основе глубокого обучения, основанный на новом методе предварительной обработки. В процессе предварительной обработки происходит обесцвечивание данных, повышается яркость и контрастность итоговых изображений. Для проверки эффективности набора данных и эффективности метода предварительной обработки была проведена серия экспериментов, включающих различные модели машинного обучения. Результаты экспериментов показывают, что модель Swin-S работает лучше частоиспользуемой для анализа изображений ResNet50 [1]. Однако, набор изображений небольшой и метрики могли бы быть намного выше при использовании большего количества изображений, или другого, более эффективного алгоритма.

Alwakid G и соавт. предложили метод для определения всех стадий диабетической ретинопатии с использованием нейросетевых технологий. Его использование подразумевает два сценария: сценарий 1 с улучшением изображения с использованием алгоритма фильтрации с адаптивной гистограммной эквализацией с ограничением контраста в сочетании с генеративной-состязательноей сетью с улучшенным разрешением и сценарий 2 без улучшения изображения. Затем для создания сбалансированного набора данных были применены дополнительные методы, использующие одинаковые параметры для обоих случаев. При использовании Inception-V3 в наборе данных Азиатско-Тихоокеанского телеофтальмологического общества точность разработанной модели составила 98,7% для сценария 1 и 80,87% для сценария 2. Было показано, что использованные в сценарии 1 методы повышают производительность и обучаемость модели [2].

В исследовании Bajwa A и соавт. Нейросетевая модель была обучена и проверена на частном наборе данных, а также протестирована в Sindh Institute of Ophthalmology & Visual Sciences (SIOVS). Модель оценивала качество тестовых изображений. Реализованная модель классифицировала тестовые изображения, отмечая наличие или отсутствие признаков диабетической ретинопатии на изображении. Кроме того, для оценки эффективности модели полученные результаты были рассмотрены клиническими экспертами. Было обследовано 398 пациентов (232 мужчины и 166 женщин). Модель достигла 93,72% точности, 97,30% чувствительности и 92,90% специфичности на тестовых данных по диабетической ретинопатии [4].

Для решения задачи эффективного обучения на малых наборах данных Alam MN и соавт. разработана система контрастного обучения с самоконтролем. Самоконтролируемое предварительное обучение позволило улучшить представление данных и разработать надежные и обобщенные модели глубокого обучения на небольших наборах данных с метками. При анализе изображений с фундус-камеры производительность полученной модели сравнивалась с двумя современными базовыми моделями, предварительно обученными с использованием весов Imagenet. Далее 10% обучающей выборки были аннотированы специалистами, чтобы проверить устойчивость модели при обучении на небольших наборах данных с метками. Модель была обучена и проверена на наборе данных EyePACS, а также протестирована независимо на клинических наборах данных из Иллинойского университета в Чикаго. По сравнению с базовыми моделями предварительно обученная модель FundusNet имела более высокие значения площади под кривой. Предварительное обучение значительно улучшило результаты классификации диабетической ретинопатии, позволило модели адекватно показывать обобщённые результаты, что сделало возможным проводить обучение на небольших аннотированных наборах данных. Это в дальнейшем позволит снизить нагрузку на клиницистов, занимающихся аннотированием изображений глазного дна [4].

Для эффективного обучения нейросетей необходимо проводить аннотирование данных специалистами. Так обучение будет более эффективным и менее ресурсозатратным. Аннотивание происходит по 2 следующим сценариям: специалист пишет заключение к снимку глазного дна; специалист отмечает области патологических очагов на снимке в специальной программе. После обучения по первому сценарию алгоритм так же выдает заключение в виде названия патологии, во втором случае алгоритм отмечает патологический очаг прямо на изображении и выделяет его определенным цветом.

Li Z и соавт. провели исследование, в котором наборы снимков глазного дна с офтальмопатологией были аннотированы офтальмологами с 3-5-10-летней клинической практикой и обученными людьми без профильного медицинского образования (грейдеры). Также сравнивались между собой офтальмологи, специализирующиеся на различных отделах глаза. На полученных данных обучалась нейросетевая модель. Результаты данного исследования свидетельствуют о том, что точность системы глубокого обучения сопоставима с точностью обученных неврачебных грейдеров при выявлении диабетической ретинопатии [5].

Заключение

Несмотря на большое количество работ по анализу снимков глазного дна при диабетической ретинопатии, выполненных в последние годы, эффективность представленных алгоритмов до сих пор находится под сомнением. При использовании моделей машинного обучения можно получить хорошие результаты на малых объемах данных, однако, при масштабировании на выборки в десятки и сотни тысяч снимков, полученные высокие метрики эффективности модели зачастую значительно падают.

Авторы ставят вопросы эффективности не только обучения моделей, но и подготовки данных к аннотированию, что является перспективной технологией для улучшения качества и снижения сроков подготовки наборов данных для тренировки алгоритмов и снижения нагрузки на офтальмологов, участвующих в процессах создания решений на базе искусственного интеллекта.

Список литературы

1. 2023 May; 157: 106750. doi: 10.1016/j.compbiomed.2023.106750. Epub 2023 Mar 8. PMID: 36931202.
2. Alwakid G. Liu H., Teng L., Fan L., Sun Y., Li H. A new ultra-wide-field fundus dataset to diabetic retinopathy grading using hybrid preprocessing methods. Comput Biol, Gouda W., Humayun M. Deep Learning-Based Prediction of Diabetic Retinopathy Using CLAHE and ESRGAN for Enhancement. Healthcare (Basel). 2023 Mar 15; 11(6): 863. doi: 10.3390/healthcare11060863. PMID: 36981520; PMCID: PMC10048517.
3. Bajwa A., Nosheen N., Talpur K.I., Akram S. A Prospective Study on Diabetic Retinopathy Detection Based on Modify Convolutional Neural Network Using Fundus Images at Sindh Institute of Ophthalmology & Visual Sciences. Diagnostics (Basel). 2023 Jan 20; 13 (3): doi: 10.3390/diagnostics13030393. PMID: 36766498; PMCID: PMC9914220.
4. Alam M.N., Yamashita R., Ramesh V., Prabhune T., Lim J.I., Chan R.V.P., Hallak J., Leng T., Rubin D. Contrastive learning-based pretraining improves representation and transferability of diabetic retinopathy classification models. Sci Rep. 2023 Apr 13; 13(1):6047. doi: 10.1038/s41598-023-33365-y. PMID: 37055475; PMCID: PMC10102012.
5. Li Z., Guo X., Zhang J., Liu X., Chang R., He M. Using deep leaning models to detect ophthalmic diseases: A comparative study. Front Med (Lausanne). 2023 Mar 1; 10: doi: 10.3389/fmed.2023.1115032. PMID: 36936225; PMCID: PMC10014566.