Разбиране Диабетна ретинопатия

Диабетна ретинопатия (ДР) е микроваскуларно усложнение на захарен диабет, което уврежда кръвоносните съдове на ретината, което води до прогресираща загуба на зрението, ако не се лекува. Състоянието произтича от хронична хипергликемия, която причинява капилярна ендотелна травма, перицитна загуба и удебеляване на мембраната в мазето. Тези патологични промени водят до съдово изтичане, образуване на микроаневризъм и капилярно оклузия. Тъй като исхемията се влошава, ретина освобождава съдовия ендотелен растежен фактор (VEGF), стимулирайки необичайна неоваскуларизация (DR) - зала на пролиферативна диабетна ретинопатия (PDR). Светладната здравна организация съобщава, че приблизително 35% от хората с диабет имат някаква форма на ДР, и остава водеща причина за слепост сред възрастните в работна възраст в световен мащаб.

Клиничната прогресия на ДР следва добре установена система за постановка. Международната скала за клинична диабетна ретинопатия категоризира тежестта от леки непролиферативни ДР (NPDR) до умерения NPDR, тежкия NPDR и накрая PDR. В ранните етапи пациентите често са асимптоматични; фини лезии като микроаневризми и дот-блок хемороиди могат да бъдат видими само при разширени изследвания на фондуса или снимки на ретината. Тъй като заболяването прогресира, макуларен оток може да се появи на всеки етап, причинявайки загуба на централно зрение. Тежестта на DR се очаква да се повиши с увеличаването на нереагиращото увреждане на диабета, оценено от Международната федерация по недъга, за да се отрази на над 500 милиона възрастни до 2030 г. Навременното откриване и намеса може да се намали риска от тежка загуба на зрението с до 90%, но все пак много пациенти се очаква да се установят, че след необратимо увреждане.

Традиционните методи за скрининг зависят от ръчното оценяване на изображенията на ретината от обучени специалисти, като офталмисти, оптометристи или сертифицирани грейдъри. Въпреки че този подход се оказа ефективен в контролирани настройки, той е изправен пред няколко ограничения: висока цена, ограничена наличност на специалисти в недостатъчно обслужвани региони, и значителна интерградерна вариабилност. Типичната програма за скрининг изисква от грейдърите да изследват стотици изображения на сесия, което води до умора и непостоянна точност.

Ролята на дълбокото обучение в медицинското изследване

Дълбокото обучение на подмножество на машинно обучение, базирано на многослойни изкуствени неврални нефрита е революционизиран медицински анализ на изображения през последното десетилетие. Конволюционните невронни мрежи (CNNs) са особено умели в изучаването на йерархични функции от сурови пикселни данни, премахване на необходимостта от ръчно изработени функции извличане. В контекста на ретината изображения, дълбоко обучение модели поглъщат fundus снимки и се научат да разпознават модели, свързани с DR патология, като микроаневризми, хеморагии, ексудати, памучни петна, и венозни промени. Тези модели обикновено са обучени на големи маркери на изображения, анотирани от експерти офталмисти, използващи стандартни везни за оценка.

Няколко проучвания показват еквивалентността или превъзходството на системите за дълбоко обучение в сравнение с човешките грейдъри. Системата IDx DR (II) за първи път за диагностика на FDA-неразрешени AI за ДР ТП ТИ (ACI) са показали чувствителност от 87,2% и специфичност от 90,7% в основното клинично изпитване. По-новите модели от EyeNUK и Google Health са докладвали за площ под характерната крива на приемника, надхвърляща 0,95.A 2021 метаанализа, която е била сбор от данни от над 100 000 изображения, които дори опитните грейдъри са имали обща чувствителност от 92,5% и специфичност от 95,3% за откриване на референтни DR (маложки или по-лошо). Тези системи не само копират човешкото качество, но също така идентифицират фини лезии, които дори опитните грейдъри могат да не могат да се отбележат, особено в периферните ретинални райони или изображения с податно качество.

Как моделите на дълбоко обучение анализират ретинеалните изображения

Обучението на дълбок модел за откриване на DR включва строг тръбопровод. Първата стъпка е придобиването на данни: голяма колекция от fundus фотографии от различни популации се събира, всеки с етикет с степен на тежест. Типичните набори включват базата данни EyePACS (над 80 000 изображения) и Kagle Диабетна ретинопатия неточно предизвикателство на набора от данни. Предизвикателни стъпки включват преоразмеряване на изображенията до еднородна резолюция (напр. 512×512 пиксела), нормализиране на цветните канали, както и коригиране на контраста, за да се намали променливостта от различни модели камера.

Архитектурата на стандартен CNN започва с конволюционни слоеве, които извличат ниско ниво функции като ръбове, петна и текстури. Обединяващите слоеве намаляват пространствените размери, като същевременно запазват светла информация. По-дълбоките конволюционни слоеве съчетават тези в по-високо ниво функции, представляващи лезията форми и пространствени отношения. И накрая, напълно свързани слоеве дават възможност за разпределение на вероятностите в класовете на тежестта. Разширените архитектури сега включват механизми за внимание, като например SE (Squeeze-и-Excitation) блокове или трансформиращо се самозадържане, което позволява на мрежата да се фокусира върху клинично значимите региони, подобрявайки както точността и интерпретабилността. Например ResNetXt архитектурата, съчетана с вниманието, постигаща резултати от множество DR показатели.

Тези техники за обяснение като Grad . CAM и картите за сигурност генерират топлинни карти, които препокриват оригиналния образ, подчертавайки пиксели най-влиятелни в решението на модела. Тази прозрачност е от съществено значение за изграждането на клиники доверие и за регулаторно одобрение. Проучване от Националният институт за око показа, че клиниките са по-вероятно да приемат препоръки, когато Heathermaps ясно посочени места на лезията в съответствие с тяхното собствено решение. Въпреки това, текущите методи за обяснение имат ограничения . Те не могат да заснемат пълния процес на разсъждение, и тяхната клинична полезност остава област на активно проучване.

Предимства на дълбокото обучение при ранното откриване

Разработването на системи за дълбоко обучение за DR скрининг предлага няколко непреодолими предимства, които да се справят с недостатъците на традиционните методи, както е посочено по-долу.

  • Високо диагностична точност: Многобройни проучвания потвърждават, че моделите на дълбоко обучение постигат чувствителност и специфичност, които не са по-малки от тези на сертифицираните от борда офталмолозите. За ранните етапи DR (млечен NPDR), моделите често откриват микроаневризми с по-голяма последователност от глазиращите хора, намаляващи фалшивите негативи. A 2020 проучване в Офталмология Ретина установи, че дълбокото обучение система открива референт DR с 98.5% чувствителност, в сравнение с 92.2% за панел от грейдери.
  • Непретенциозна скорост: Добре оптимизирана невронна мрежа може да анализира едно изображение на ретината под 0.1 секунда на модерен GPU. Тази скорост позволява скрининг на стотици пациенти на час, премахване на бутилката в клиники с висок обем или общностни скрининг дискове.
  • Скалабилност и достъп: Моделите на дълбоко обучение могат да се движат на ниско разходен хардуер, включително смартфони с персонализирани прикачени към ретината. Това позволява скрининг в отдалечени или ограничени от ресурси настройки, където офталмолозите са оскъдни. Телемедицината платформи могат автоматично да се качат изображения от периферни клиники и да се отнасят само положителни случаи за специализирани консултации, драстично намаляване на необходимата специализирана работна сила.
  • Състояние и производителност: За разлика от грейдърите, чиято точност варира в зависимост от умората, времето на деня или опита, обучен CNN произвежда идентични резултати за идентични входове. Това елиминира интер-наблюдателите и интра-наблюдателите променливост, като осигурява единен стандарт на грижа в различни места и във времето. Тази последователност е особено ценна в мащабни програми за скрининг, където хиляди пациенти се изследват на различни места.
  • Изгубена ефективност: Автоматизираната скрининг драстично намалява разходите за труд на изследван пациент.А 2022 здравен икономически анализ изчислява, че AI-базиран скрининг може да спести $3.2 милиона на 100 000 пациенти, проверени в системата на здравеопазването на САЩ, главно чрез намалена нужда от специализирани грейдъри и по-ранно откриване, което предотвратява скъпо напреднали лечения на заболявания.Това прави икономически жизнеспособна за сканиране на всички диабетни индивиди годишно, както се препоръчва, а не само тези с напреднали симптоми.

Предизвикателствата и съображенията

Въпреки обещанието си, внедряването на дълбоко обучение за откриване на ДР не е без препятствия. Едно от най-значимите предизвикателства е необходимостта от големи, висококачествени и разнообразни набори от обучения. Моделите, обучени предимно върху изображения от една етническа принадлежност или производител на фотоапарати, може да се извършват зле, когато са изправени пред ненасрещни популации или условия за изображения. Например модел, обучен върху масиви от данни от доминантни в бялата раса, може да е намалил точността на по-тъмните пигментации на фондуса, често срещани в африканските или азиатските популации. Усилията като например предизвикателството за откриване на диабетна ретинопатия в Кагъл и набор от данни от EyePACS са започнали да се справят с това, но географското и демографското разнообразие остава проблем за глобалния мащаб. FDA подчерта необходимостта от предварително валидиране на представителните популации за избягване на алгоритмични отклонения.

Междупретабилността е друг критичен въпрос. Дълбоките невронни мрежи често се описват като "черни кутии," а клиниките са разбираемо неохотни да основават решения за лечение на препоръка, без да разбират мотивите. Докато базираните на топлината техники за обяснение като Grad-CAM са подобрили прозрачността, те все още не са приети като достатъчни за клинично доверие. Проучване на офталмолозите, публикувано в JAMA Ophthalmology[, установи, че 78% биха използвали инструменти за AI само ако системата може да предостави ясна обосновка за своите констатации. Регулаторните агенции продължават да усъвършенстват насоките за устройства, базирани на AI, изискващи строго валидиране на реални данни и ясно етикетиране на ограниченията на модела.

Данните за безопасността и данните са чувствителни лични данни съгласно нормативни актове като HIPA и GDPR. Предаването на изображения на базирани в облака AI услуги поражда опасения за спазването на изискванията и потенциалните нарушения на данните биха могли да имат сериозни последици. Етническите изображения са чувствителни лични данни, които се движат на местно ниво върху скрининг оборудване, предлагат частично решение, но ограничават възможността за актуализиране или подобряване на модела централно без повторно интегриране на софтуера. Федеративното обучение, което обучава модели в институции без споделяне на необработени данни, е активна зона за изследване, насочена към запазване на неприкосновеност на личния живот, като същевременно се ползват от хетерогенни данни.

Интеграция в клинични работни процеси

Практическата интеграция на инструменти за дълбоко обучение в съществуващите пътища за грижа за очите на диабета включва не само техническо разполагане, но и промени в работния процес, възстановяването на разходите и обучението на клиники. Един успешен модел е AI-асистентиран триаж, където алгоритъм за дълбоко обучение автоматично оценява входящите изображения и знамена само тези с подозрителни констатации за ръчно разглеждане. Този подход може да намали тежестта на специалиста за преглед с 50 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Националната здравна служба (НС) Диабетна очна прожекция в Англия съобщи, че една система за дълбоко обучение може надеждно да идентифицира повече от 95% от реферируемите ДР случаи, като нейното изпълнение е свързано със значително намаляване на времето от заснемането на изображения до диагностицирането от средно 4 седмици до 2 дни. Здравната администрация на ветераните в САЩ също е интегрирала AI скрининга в своята телеофталмологична мрежа, което показва подобрен достъп за ветерани в селските райони, като 40% увеличава скрининга на придържането към диабета.

Бъдещи насоки и изследвания

Изследователите изследват многомодални модели, които съчетават фотография с други образни форми, като например оптичната кохерентна томография (OCT), която осигурява дълбоко-резолюционна информация за ретината и може да открие ранен диабетен макуларен оток преди да стане клинично видима върху образа на фунтуса. Проучване от 2023 г. в Медицинска природа[ въвежда модел, който съвместно анализира фондус и OCT изображения, постигайки AUC от 0.98 за откриване на център-ангажиран макуларен оток. Други проучват използването на генеративни адверарийни мрежи (GANs) за синтезиране на реалистични изображения на ретината за обучение, като по този начин увеличават разнообразието от данни без разходите за ново набиране на пациенти.

Обяснени методи AI (XAI) се усъвършенстват, за да произвеждат по-мотивирани от вниманието обосновка за моделни решения. Текущата работа се фокусира върху изграждането на модели, които произвеждат тази степен на тежест, но също така и карта на местата на лезията и на оценката на доверието на лезията. Някои архитекти сега включват механизми, базирани на вниманието, които конкретно подчертават микроаневризми, хемороиди и ексудати, позволяващи на клиниците да проверят констатациите на модела. В дългосрочен план мултитасковата подготовка може да позволи на една единствена невронна мрежа да открива едновременно DR, прогнозирайки риска от прогресия, и дори да прецени вероятността от други диабетни усложнения като нефропатия или сърдечно-съдово заболяване, отваряне на вратата към системна скрининг от едно око. Проучване 2024 от Google Health демонстрира модел, който може да прогнозира петгодишен петгодишен риск от крайна степен на бъбречно заболяване от снимки, самостоятелно, с AUC на 0.83.

Федеративното обучение е друга обещаваща парадигма, където моделите се обучават в множество институции, без да се изискват сурови данни да напуснат всеки сайт. Този подход запазва поверителността на пациентите, като същевременно позволява на модела да се учи от хетерогенни популации, потенциално преодолявайки предизвикателството за разнообразие на набора от данни. Последните пилоти в Европа показаха, че захранваното обучение може да съответства на ефективността на централно обучени модели, като същевременно се поддържа съответствие с GDPR. Освен това, ръбът не се обработва неофициално върху локалните хардуерни изображения става по- жизнеспособен с появата на компактни нервни ускорители, което позволява реалното взаимодействие без интернет връзка. Това ще бъде от решаващо значение за разполагането на настройки с ниски ресурси.

Заключение

Дълбокото обучение се е преместило от лабораториите за изследвания в клиничната практика като мощен асистент в борбата срещу диабетната ретинопатия-слепота. Чрез осигуряване на бърз, точен и мащабируем анализ на изображения на ретината, тези системи на AI допълват опита на специалистите по грижа за очите и разширяват достъпа до висококачествено скрининг на милиони пациенти с диабет, които иначе биха могли да отидат недиагностицирани до момента, в който зрението вече е компрометирано. Предизвикателствата остават годна за разбиране на данните, интерпретация и регулаторна хармонизация, но траекторията е непогрешима. Тъй като производителността на модела продължава да се подобрява и интеграцията в здравните ИТ системи става безпроблемна, дълбокото обучение ще се превърне в незаменим компонент на ранното откриване на диабетна ретинопатия между клиниките, инженерите и инженерите, помагайки за запазване на зрението на нарастващото глобално население с диабет. Следващото десетилетие ще наблюдава по-нататъшно разширяване на многомодалните диагностика, персонализираните прогнози за риска, както и глобалното внедряване, водено от продължителни изследвания и обширно усилие между клини, инженери и инженери и дежури.