Согласно исследованию, опубликованному в Интернете JAMA, при оценке фотографий сетчатки у взрослых с диабетом алгоритм, основанный на глубоком машинном обучении, имел высокую чувствительность и специфичность для выявления предполагаемой диабетической ретинопатии.
Среди людей с диабетом распространенность диабетической ретинопатии составляет примерно 29 процентов в США. Большинство руководств рекомендуют ежегодный скрининг для людей без ретинопатии или легкой диабетической ретинопатии и повторное обследование через 6 месяцев при умеренной диабетической ретинопатии. Фотография сетчатки с ручной интерпретацией – широко распространенный инструмент скрининга диабетической ретинопатии.
Автоматическая классификация диабетической ретинопатии имеет потенциальные преимущества, такие как повышение эффективности и охвата программ скрининга; снижение барьеров для доступа; и улучшение результатов лечения пациентов за счет раннего выявления и лечения. Чтобы максимизировать клиническую полезность автоматической классификации, необходим алгоритм для выявления референтной диабетической ретинопатии. Машинное обучение (дисциплина в области информатики, которая фокусируется на обучении машин обнаружению закономерностей в данных) используется для решения множества задач классификации, включая автоматическую классификацию диабетической ретинопатии. Однако большая часть работы была сосредоточена на "функциональная инженерия," который включает в себя вычисление явных характеристик, указанных экспертами, в результате чего создаются алгоритмы, предназначенные для обнаружения конкретных поражений или прогнозирования наличия любого уровня диабетической ретинопатии. Глубокое обучение – это метод машинного обучения, который позволяет избежать такой инженерии и позволяет алгоритму программировать себя, изучая наиболее предсказуемые функции непосредственно из изображений с большим набором данных помеченных примеров, устраняя необходимость явно указывать правила. Применение этих методов к медицинской визуализации требует дальнейшей оценки и подтверждения.
В этом исследовании Лили Пэн, М.D., Ph.D., компании Google Inc., Маунтин-Вью, Калифорния., и коллеги применили глубокое обучение для создания алгоритма автоматического обнаружения диабетической ретинопатии и диабетического макулярного отека на глазном дне сетчатки (внутренняя оболочка глазного яблока, включая сетчатку, диск зрительного нерва и макулу). Определенный тип сети, оптимизированный для классификации изображений, был обучен с использованием набора данных из 128175 изображений сетчатки, которые были оценены от 3 до 7 раз для диабетической ретинопатии, диабетического отека макулы и градации изображения с помощью панели 54 U.S. лицензированные офтальмологи и престарелые офтальмологи с мая по декабрь 2015 г. Результирующий алгоритм был проверен с использованием 2 отдельных наборов данных (EyePACS-1, Messidor-2), оба с оценкой не менее 7 единиц.S. сертифицированные офтальмологи.
Набор данных EyePACS-1 состоял из 9 963 изображений от 4997 пациентов (распространенность референциальной диабетической ретинопатии [RDR; определяется как умеренная и тяжелая диабетическая ретинопатия, реферируемый диабетический макулярный отек или оба], 8 процентов полностью градуируемых изображений; Мессидор-2 набор данных содержал 1748 изображений от 874 пациентов (распространенность RDR, 15 процентов изображений с полной градацией). Использование алгоритма позволило достичь высокой чувствительности (97.5 процентов [EyePACS-1] и 96 процентов [Messidor-2]) и специфичности (93 процента и 94 процента, соответственно) для выявления референтной диабетической ретинопатии.
"Эти результаты демонстрируют, что глубокие нейронные сети могут быть обучены с использованием больших наборов данных и без необходимости указывать особенности поражения для выявления диабетической ретинопатии или диабетического макулярного отека на изображениях глазного дна сетчатки с высокой чувствительностью и высокой специфичностью. Эта автоматизированная система обнаружения диабетической ретинопатии предлагает несколько преимуществ, в том числе последовательность интерпретации (потому что машина будет делать один и тот же прогноз на конкретном изображении каждый раз), высокую чувствительность и специфичность, а также почти мгновенное сообщение результатов," авторы пишут.
"Необходимы дальнейшие исследования, чтобы определить возможность применения этого алгоритма в клинических условиях и определить, может ли использование алгоритма привести к улучшению лечения и результатов по сравнению с текущей офтальмологической оценкой."