Table of Contents

Глобальное бремя и клиническая потребность в автоматизированном мониторинге

Диабетическая ретинопатия (ДР) является ведущей причиной предотвратимой потери зрения и слепоты среди взрослых трудоспособного возраста во всем мире. По мере того, как глобальная распространенность диабета продолжает расти, число лиц, подверженных риску развития ДР, как ожидается, превысит 210 миллионов к 2045 году. Нынешний стандарт ухода полагается на ручное исследование изображений глазного дна сетчатки обученными специалистами или центрами чтения. Этот ручной процесс по своей сути субъективен, трудоемок и ресурсоемок, создавая значительное узкое место в уходе за пациентами. Многие пациенты с диабетом не получают своевременного скрининга из-за ограниченного доступа к специалистам по уходу за глазами. Рост глубокого обучения в медицинской визуализации ввел мощный набор инструментов, предназначенных для устранения этих ограничений, предлагая масштабируемый, автоматизированный подход не только для обнаружения присутствия ДР, но и для точного мониторинга его прогрессирования с течением времени.

Патофизиология и клиническая градация диабетической ретинопатии

Микрососудистые осложнения гипергликемии

Хроническая гипергликемия вызывает каскад метаболических и биохимических изменений, которые повреждают микроваскулатуру сетчатки. Распад гемато-ретинального барьера и потеря перицитов приводят к образованию характерных поражений. На самых ранних стадиях непролиферативная диабетическая ретинопатия (НПДР) характеризуется появлением микроаневризм, точечных кровоизлияний и жестких экссудатов. По мере прогрессирования заболевания заметными становятся венозные бисерные и внутриретинальные микрососудистые аномалии (ИРМА). Наиболее продвинутая стадия, пролиферативная диабетическая ретинопатия (ПДР), определяется ростом аномальных, хрупких новых кровеносных сосудов на зрительном диске или в других местах сетчатки. Дополнительно, диабетический макулярный отек (ДМЭ) — отек макулы из-за утечки жидкости — может возникать на любой стадии и является наиболее распространенной причиной потери зрения у пациентов с ДР.

Международная шкала тяжести клинической диабетической ретинопатии

Для стандартизации решений по диагностике и лечению клиницисты используют шкалу тяжести Международной клинической диабетической ретинопатии (ICDR). Эта шкала обеспечивает основу для категоризации прогрессирования заболевания от отсутствия видимой ретинопатии до тяжелой NPDR и PDR. Модели глубокого обучения обычно обучаются выводить эти конкретные оценки или принимать бинарные решения, такие как определение «обратной DR» (умеренной NPDR или хуже). Ключевой задачей для автоматизированных систем является достижение детализации, необходимой для обнаружения тонких сдвигов между соседними стадиями, что необходимо для значимого продольного мониторинга. Понимание точных патологических признаков каждого класса является основополагающим для разработки моделей, которые могут обнаруживать клинически релевантные визуальные изменения.

Архитектура глубокого обучения для анализа окулярных изображений

Сверточные нейронные сети

Основой современного медицинского анализа изображений является сверточная нейронная сеть (CNN). CNNs искусны в автоматическом обучении иерархическим представлениям визуальных данных. Ранние слои обнаруживают простые функции, такие как края и цвета, в то время как более глубокие слои объединяют их в сложные узоры, соответствующие конкретным поражениям или анатомическим структурам. Ключевые архитектурные инновации, такие как пропуск соединений в ResNet, начальные модули в GoogLeNet и комплексное масштабирование EfficientNet, позволили тренировать все более глубокие и точные модели. Эти сети можно обучить выполнять классификацию уровня изображения, назначая оценку степени тяжести DR для всей фотографии дна.

Сегментация и обнаружение объектов

Помимо простой классификации, глубокое обучение превосходит локализацию. Для мониторинга прогрессирования заболевания понимание , где происходят изменения , так же важно, как , что представляют собой эти изменения. Модели сегментации, особенно основанные на архитектуре U-Net, могут создавать карты на уровне пикселей конкретных поражений, таких как микроаневризмы, кровоизлияния, экссудаты и неоваскуляризация. Модели обнаружения объектов (например, YOLO, Faster R-CNN) могут подсчитывать и локализовать дискретные поражения. Высокопроизводительная автоматизированная система обнаружения прогрессии обычно сочетает в себе эти подходы: классификатор глобальной тяжести, сегментатор для количественной оценки бремени поражения и детектор для отслеживания конкретных функций, таких как оборот микроаневризмы.

Обнаружение и количественное определение визуальных изменений с течением времени

Основной перспективой применения глубокого обучения к DR является возможность перехода от статической оценки с одним посещением к динамическому продольному мониторингу. Для этого требуются модели, которые могут сравнивать базовое изображение с последующим изображением и выводить значимую оценку изменений.

Регистрация изображений как обязательное условие

Прежде чем может произойти какое-либо сравнение на уровне пикселей или на уровне признаков, базовые и последующие изображения должны быть пространственно выровнены. Регистрация изображений — это процесс преобразования различных наборов данных в одну систему координат. В офтальмологии это включает отображение сосудистой системы и оптического диска последующего изображения в соответствии с базовыми. Глубокое обучение значительно улучшило скорость и точность мультимодальной и временной регистрации. Жесткие, аффинные и нежесткие (деформируемые) методы регистрации позволяют точно выравнивать, компенсируя различия в положении глаз, углу камеры и незначительные анатомические сдвиги во время процесса визуализации.

Обнаружение изменений в сиамских и временных сетях

После регистрации изображений специализированные архитектуры глубокого обучения могут сравнивать их. Сиамские сети используют две идентичные магистрали CNN для извлечения признаков как из исходных, так и из последующих изображений независимо. Затем экстрагированные карты признаков сравниваются, часто через конкатенацию или вычитание, а окончательный классификатор определяет уровень прогрессирования или регрессии. Другие подходы используют рекуррентные нейронные сети (RNN) или сети с длинной кратковременной памятью (LSTM) на последовательностях признаков изображения для моделирования траектории заболевания в течение нескольких посещений. Эти временные модели могут потенциально предсказать будущую тяжесть на основе прошлых тенденций, что позволяет осуществлять проактивное вмешательство.

Количественное бремя и обороты левых

Конкретным, клинически подтвержденным биомаркером прогрессирования ДР является микроаневризмный оборот (MAT). МАТ рассчитывается путем подсчета количества новых микроаневризм, появляющихся и числа существующих, исчезающих между двумя посещениями. Высокая скорость текучести является сильным предиктором прогрессирования до клинически значимого макулярного отека или пролиферативного ДР. Модели сегментации глубокого обучения могут автоматически подсчитывать и отслеживать отдельные микроаневризмы с течением времени, обеспечивая объективную количественную меру изменений, которую трудно выполнять людям-грейдерам. Аналогично, изменения в общей площади кровоизлияний или экссудатов могут быть точно количественно оценены, предлагая более детальный взгляд на активность заболевания, чем дискретная степень тяжести.

Методологии и технические трубопроводы

Обработка данных и предварительная обработка

Производительность любой системы глубокого обучения в корне привязана к качеству и разнообразию её обучающих данных. Для моделей прогрессии DR требуются большие наборы данных парных изображений от одних и тех же пациентов с течением времени. Источники данных включают большие наборы данных клинических испытаний, базы данных больниц и публичные хранилища, такие как EyePACS и Kaggle. Специалисты по оценке должны предоставлять метки не только для тяжести в один момент времени, но и для наличия изменений. Надежная предварительная обработка необходима для обработки изменчивости реальных данных. Это включает в себя изменение размера изображений до стандартного размера ввода, нормализацию интенсивности пикселей, коррекцию для неравномерного освещения и выполнение экстракции поля зрения для удаления черных границ. Методы увеличения данных, такие как случайные вращения, сальто, упругие деформации и цветовое джиттер, применяются для улучшения способности модели обобщать невидимые вариации.

Модель обучения, проверки и объяснимости

Обучение модели для обнаружения прогрессии обычно включает в себя функцию потери соединения, которая сочетает точность классификации с точностью сегментации. Оценка этих моделей требует метрик за пределами простой точности. Область под кривой рабочих характеристик приемника (AUC) обычно используется для бинарных реферальных решений. Для классификации квадратичная взвешенная каппа Коэна является стандартной метрической, поскольку она учитывает порядковый характер шкалы тяжести. Для задач сегментации коэффициент сходства с рисом используется для измерения перекрытия между прогнозируемыми и наземными картами поражения правды. Учитывая высокие ставки медицинских решений, объяснимость модели не подлежит обсуждению. Методы, такие как градиентно-взвешенная карта активации класса (Grad-CAM), генерируют тепловые карты, которые выделяют области изображения, на которых фокусируется модель. Клиницист может проверить эти тепловые карты, чтобы проверить, что модель смотрит на соответствующие патологии, такие как экссудаты или кровоизлияния, а не на артефакты визуализации, тем самым повышая доверие к определениям системы.

Проблемы, мешающие клиническому переводу

Неоднородность данных и сдвиг доменов

Существенным препятствием для широкого развертывания этих систем является проблема смены доменов. Модель, обученная изображениям с высоким разрешением, хорошо освещенным от одного производителя камеры (например, Zeiss или Topcon), может плохо работать при применении к изображениям с портативной, немидриатической камеры, используемой в условиях первичной медицинской помощи. Изменения в этнической принадлежности пациента, расширение зрачка, непрозрачность среды (катаракта) и качество изображения могут ухудшить производительность модели. Надежное обобщение требует обучения массивным, разнообразным наборам данных и часто включает методы адаптации домена, где модель тонко настроена на небольшой выборке изображений из целевого домена.

Аннотация Дефицит и классовый дисбаланс

Создание наземных ярлыков правды для прогрессирования дорого и сложно. Это требует от опытных грейдеров тщательного сравнения двух или более изображений от одного и того же пациента. Кроме того, естественный набор данных содержит гораздо больше примеров «без изменений» или «легкого изменения», чем «быстрое прогрессирование», что приводит к значительному дисбалансу классов. Модели обучения на несбалансированных данных могут привести к смещению в сторону класса большинства, делая их нечувствительными к самим сигналам прогрессии, которые они предназначены для обнаружения. Для смягчения этой проблемы используются расширенные функции потерь, такие как очаговая потеря и методы пересбора образцов.

Регулятивные проблемы и клиническая интеграция

Выведение на рынок устройства глубокого обучения требует строгой проверки и нормативного оформления. Управление по контролю за продуктами и лекарствами США (FDA) установило рамки для медицинских устройств на основе ИИ / мл. Первой авторизованной FDA автономной системой ИИ для обнаружения DR была IDx-DR (теперь LumineticsCore), которая установила прецедент в этой области. Однако одобрение системы обнаружения прогрессии требует еще более обширных продольных данных и доказательств клинической пользы. Интеграция в существующие клинические рабочие процессы остается серьезной проблемой. Система должна беспрепятственно взаимодействовать с существующими системами архивирования изображений и связи (PACS) и электронными медицинскими записями (EHRs). Отчет, который просто говорит, что «обнаруженная прогрессия» недостаточна; выход должен быть представлен в клинически действенном формате, который естественным образом вписывается в процесс принятия решений офтальмологом.

Будущие направления и новые исследования

Мультимодальный ИИ для полной картины

Будущее автоматизированной оценки DR заключается в интеграции нескольких источников данных. В то время как фотография глазного дна является стандартом для скрининга, объединение его со структурными данными от оптической когерентной томографии (OCT) значительно усиливает обнаружение DME. Будущие системы, вероятно, будут сплавлять изображения глазного дна, объемы ОКТ и системные клинические данные (например, уровни HbA1c, кровяное давление, продолжительность диабета) в единую модель, чтобы обеспечить всеобъемлющую оценку риска. Этот целостный подход, основанный на данных, может предсказать не только прогрессирование заболевания, но и то, как быстро и с каким риском для зрения пациента.

Генерирующий ИИ и синтетическая прогрессия

Генеративные состязательные сети (ГСС) открывают новые возможности для обучения и проверки. Эти модели могут генерировать реалистичные синтетические изображения глазного дна. Исследователи могут использовать условные ГСС для имитации прогрессирования ДР, создавая правдоподобные последующие изображения из исходного уровня. Эта способность бесценна для увеличения наборов данных обучения, особенно для редких или тяжелых состояний прогрессирования. Кроме того, ГСС могут использоваться для персонализации прогнозов, позволяя клиницисту показать пациенту визуальное моделирование того, как может выглядеть его глаз в будущем, если его диабет остается неконтролируемым, служа мощным мотивационным инструментом.

Трансформеры и основополагающие модели

Область компьютерного зрения переходит от чистых CNN к архитектурам на основе трансформеров, которые используют механизмы самовнимания для захвата глобального контекста в изображении. Трансформаторы видения (ViT) продемонстрировали впечатляющую производительность в задачах медицинской визуализации, часто совпадающих или превышающих CNN. Эти модели особенно искусны в понимании зависимостей на большие расстояния в сетчатке, что может улучшить обнаружение диффузных патологических изменений. Кроме того, разрабатываются основополагающие модели (например, RETFound), предварительно обученные массивным, немаркированным наборам данных изображений сетчатки. Эти модели могут быть точно настроены для широкого спектра задач нисходящего потока, включая обнаружение прогрессии, с гораздо меньшим количеством маркированных данных, потенциально демократизируя доступ к передовым инструментам ИИ для клиник по всему миру.

Заключение

Применение глубокого обучения для выявления визуальных изменений в диабетической ретинопатии представляет собой значительную эволюцию в управлении этим ослепляющим заболеванием. Переходя от статического скрининга в точке-в-времени к интеллектуальному продольному мониторингу, эти системы дают клиницистам объективную количественную информацию о траектории заболевания. От точного отслеживания оборота микроаневризмы до прогнозирующей силы мультимодального ИИ, технология имеет потенциал для фундаментального сдвига офтальмологии от реактивной специальности к проактивной. В то время как проблемы в стандартизации данных, одобрении регулирующих органов и клинической интеграции остаются, быстрый темп инноваций в глубоком обучении предлагает четкий путь к более персонализированным, своевременным и эффективным вмешательствам, которые могут сохранить зрение миллионов пациентов во всем мире.