Table of Contents

Введение: Глобальное бремя диабетической ретинопатии

Диабетическая ретинопатия (ДР) остается одним из наиболее распространенных осложнений сахарного диабета и является ведущей причиной предотвратимой слепоты среди взрослых трудоспособного возраста во всем мире. По оценкам Международной федерации диабета, более 537 миллионов взрослых людей живут с диабетом, и примерно каждый третий будет развивать ту или иную форму диабетической ретинопатии в течение своей жизни. Раннее выявление через регулярный скрининг сетчатки имеет решающее значение, поскольку потеря зрения от ДР в значительной степени предотвратима, когда лечение начато до необратимого повреждения. Однако традиционные программы скрининга полагаются на специализированное оборудование, такое как камеры глазного дна, щелевые лампы и офтальмоскопы, наряду с обученными техниками и офтальмологами для их работы и интерпретации результатов. Во многих странах с низким и средним уровнем дохода и даже в сельских или недостаточно обслуживаемых районах стран с высоким уровнем дохода доступ к таким ресурсам крайне ограничен. Этот разрыв в охвате скринингом создает насущную потребность в альтернативных, масштабируемых и экономически эффективных диагностических подходах, которые могут довести оценку сетчатки до уровня ухода.

С более чем 6 миллиардами подписок на смартфоны во всем мире и быстрым внедрением даже в регионах с дефицитной инфраструктурой здравоохранения смартфоны предлагают повсеместную платформу для захвата, обработки и передачи изображений сетчатки. Объединив камеры высокого разрешения, все более мощные бортовые процессоры и передовые алгоритмы машинного обучения, эти устройства могут трансформироваться в портативные устройства для скрининга сетчатки. Цель состоит не в том, чтобы заменить комплексную офтальмологию, а в том, чтобы предоставить инструмент сортировки, который может идентифицировать пациентов, требующих дальнейшей оценки, тем самым снижая нагрузку на специализированных поставщиков и увеличивая скорость раннего обнаружения. В этой статье рассматриваются разработка, внедрение, проблемы и будущие направления инструментов распознавания образов на основе смартфонов, специально предназначенных для скрининга диабетической сетчатки.

Обоснование решений на основе смартфонов

Традиционный скрининг сетчатки обычно включает в себя использование настольной камеры на глазу, которая стоит десятки тысяч долларов и требует выделенного пространства, электроэнергии и обученного техника. Даже там, где такое оборудование существует, интерпретация изображений часто задерживается, потому что изображения должны быть отправлены в центр чтения для оценки. Этот процесс может занять дни или недели, в течение которых пациент может потерять наблюдение. Подходы на основе смартфонов направлены на преодоление этих ограничений с помощью нескольких ключевых преимуществ.

Портативность и доступность

Смартфоны легкие, оснащены аккумуляторами и уже перевозятся миллиардами людей. Прикрепив простой адаптер объектива или используя встроенную камеру с оптимизированной подсветкой, смартфон может захватывать изображения сетчатки достаточного качества для автоматизированного анализа. Полевые исследования в Индии, Кении и Бразилии продемонстрировали, что работники здравоохранения в общинах могут быть обучены в течение нескольких часов использовать камеры сетчатки на основе смартфонов и проводить скрининги в клиниках первичной медико-санитарной помощи, мобильных лагерях или даже домах пациентов. Эта портативность резко снижает барьеры для входа для программ скрининга.

Эффективность затрат

В то время как обычная камера на глазу может стоить от 20 000 до 50 000 долларов, система на основе смартфона может быть собрана за несколько сотен долларов. Даже при включении стоимости самого смартфона общие инвестиции на порядок ниже. Это сокращение затрат позволяет министерствам здравоохранения и неправительственным организациям развертывать большое количество единиц скрининга в широких географических районах, особенно в условиях с низкими ресурсами.

Анализ и сортировка в реальном времени

Возможно, самым преобразующим преимуществом является возможность запуска алгоритмов распознавания образов непосредственно на смартфоне. Вместо отправки изображений в центр дистанционного чтения устройство может обеспечить немедленную оценку риска, помечая пациентов, которые проявляют признаки реферативной диабетической ретинопатии. Эта обратная связь в режиме реального времени позволяет консультировать в тот же день, планировать последующие встречи и направлять к специалистам. Такой быстрый поворот может резко улучшить удержание пациентов и соблюдение рекомендаций по лечению.

Технологии распознавания образов для выявления диабетической ретинопатии

В основе инструментов скрининга на основе смартфонов лежит распознавание образов, подполе искусственного интеллекта (ИИ), которое позволяет компьютерам идентифицировать значимые структуры в данных. В контексте визуализации сетчатки алгоритмы распознавания образов предназначены для обнаружения отличительных поражений диабетической ретинопатии: микроаневризмы, точечные и пятнистые кровоизлияния, жесткие экссудаты, мягкие экссудаты (пятна хлопковой шерсти) и неоваскуляризация. Эти поражения соответствуют различным стадиям заболевания, а их наличие, количество и местоположение используются для оценки тяжести в соответствии с системами классификации, такими как шкала Международной клинической диабетической ретинопатии (ICDR) или шкала тяжести исследования ранней терапии диабетической ретинопатии (ETDRS).

Подходы машинного обучения и глубокого обучения

Ранние системы распознавания образов опирались на разработанные вручную функции, где разработчики писали явные правила для выявления повреждений на основе цвета, формы, текстуры и контраста. В то время как эти системы достигли умеренного успеха, они боролись с широкой изменчивостью качества изображения, освещения и анатомических различий между пациентами. Появление глубокого обучения - ветви машинного обучения, основанной на сверточных нейронных сетях (CNN) - произвело революцию в этой области. Модели глубокого обучения изучают иерархические представления непосредственно из пиксельных данных, устраняя необходимость ручного проектирования функций. Благодаря обучению на обширных наборах данных помеченных изображений сетчатки, эти модели могут автоматически обнаруживать дискриминационные шаблоны, которые могут быть не очевидны для экспертов-людей.

Одно знаковое исследование, проведенное Gulshan et al. в Google AI, показало, что алгоритм глубокого обучения может обнаруживать реферабельную диабетическую ретинопатию с чувствительностью и специфичностью, сопоставимой с таковой у сертифицированных офтальмологов. С тех пор многочисленные исследовательские группы разработали модели, оптимизированные для изображений, полученных с помощью смартфонов, достигая области под значениями кривой рабочих характеристик приемника (AUC) выше 0,95. Современные архитектуры, такие как ResNet, EfficientNet и Vision Transformers, были адаптированы для мобильного развертывания с помощью таких методов, как квантование и обрезка моделей, которые снижают вычислительные требования без значительной потери точности.

Требования к набору данных и маркировка

Обучение надежной модели распознавания образов требует большого, разнообразного и хорошо аннотированного набора данных. Публичные наборы данных, такие как EyePACS, набор данных для выявления диабетической ретинопатии Kaggle, и коллекция Messidor, сыграли важную роль в обеспечении исследований. Однако изображения из этих наборов данных обычно приобретаются со стандартными настольными камерами на основе глазного дна. Для создания эффективных инструментов на основе смартфонов разработчики должны тренироваться на изображениях, снятых с помощью оптики смартфона, которые часто имеют разные цветовые профили, разрешение и артефакты. Синтетическая аугментация, такая как моделирование различных условий освещения, размытия и шума датчиков, может помочь преодолеть разрыв в домене. Кроме того, активные обучающие конвейеры, где модель переобучена в сложных случаях, выявленных в этой области, могут улучшить производительность с течением времени.

Алгоритм валидации и метрики производительности

Перед развертыванием в клинических или общественных условиях алгоритмы распознавания образов должны пройти тщательную проверку. Общие показатели эффективности включают чувствительность (способность правильно идентифицировать людей с болезнью), специфичность (способность правильно идентифицировать тех, у кого нет заболевания), положительную прогностическую ценность (PPV) и отрицательную прогностическую ценность (NPV). Для целей скрининга высокая чувствительность часто ставится в приоритет, чтобы минимизировать ложные негативы, но поддержание приемлемой специфичности важно, чтобы избежать подавляющих специалистов с ложными срабатываниями. Регулирующие органы, такие как Управление по контролю за продуктами и лекарствами США (FDA) и Европейское агентство по лекарственным средствам (EMA), требуют доказательств из перспективных клинических исследований для утверждения таких устройств. Например, система IDx-DR (теперь известная как LumineticsCore) получила прорывное назначение FDA и была проверена в ключевом испытании на 10 участках первичной помощи, демонстрируя, что алгоритм ИИ может автономно обнаруживать диабетическую ретинопатию без необходимости ввода офтальмолога. Инструменты на основе смартфона должны будут следовать аналогичным путям проверки, чтобы получить нормативный к

Интеграция распознавания образов со смартфонным оборудованием и программным обеспечением

Успешное развертывание инструмента скрининга на базе смартфона зависит не только от мощного алгоритма, но и от продуманной интеграции с аппаратным обеспечением устройства и пользовательским интерфейсом. Появилось несколько подходов, начиная от простого захвата фотографий на основе приложения с использованием встроенной камеры до специализированных прикрепляемых линз сетчатки. Каждый подход представляет компромиссы в качестве изображения, простоте использования и стоимости.

Аппаратные прикрепления для визуализации сетчатки

Захват изображения сетчатки диагностического качества только стандартной камерой смартфона является сложной задачей, поскольку оптика глаза естественным образом ограничивает видимую область и требует точного выравнивания. Для решения этой проблемы многие системы используют наложение линзы, которое преобразует камеру смартфона в камеру дна. Примеры включают Peek Retina, D-Eye и объектив iCare HOME. Эти наложения увеличивают изображение, обеспечивают коаксиальную подсветку и часто включают механизм фокусировки. Некоторые модели соединяются через клип или магнитное кольцо и работают как с устройствами Android, так и с устройствами iOS. Качество изображений из этих наложений значительно улучшилось, при этом исследования сообщают о чувствительности выше 80% для обнаружения реферативного DR при использовании в сочетании с автоматизированным анализом.

Дизайн программного обеспечения и пользовательский опыт

Сопроводительное программное обеспечение должно быть интуитивно понятным для неспециалистов. Ключевые функции включают:

  • Направленный захват изображения: На экране сигналы помогают пользователю позиционировать глаз, регулировать расстояние и запускать захват, когда качество изображения приемлемо.
  • Автоматизированная оценка качества: Приложение оценивает резкость, равномерность освещения и поле зрения, отклоняя некачественные изображения и запрашивая повторные захваты.
  • Анализ в реальном времени: После получения набора приемлемых изображений алгоритм распознавания образов запускается локально на устройстве, обеспечивая оценку риска или классификацию в течение нескольких секунд.
  • Результаты отображения и рекомендации по рекомендации: Приложение показывает результат простым языком (например, «Нет признаков диабетической ретинопатии» или «Ссылка на глазного специалиста») и может генерировать печатный отчет или цифровую форму направления.
  • Безопасность данных и возможность подключения: Данные пациентов шифруются и могут храниться локально или синхронизироваться с электронными медицинскими записями на основе облачных вычислений.

On-Device против облачной обработки

Важным дизайнерским решением является то, следует ли запускать алгоритм распознавания образов на самом смартфоне или отправлять изображения на облачный сервер для анализа. Обработка на устройстве предлагает преимущества с точки зрения конфиденциальности (данные никогда не покидают устройство), автономной способности и меньшей задержки. Современные смартфоны с нейронными процессорами (НПУ) могут эффективно выполнять легкие модели глубокого обучения. Однако модели на устройстве могут быть менее точными, чем более крупные, облачные модели из-за ограничений памяти и мощности. Некоторые реализации принимают гибридный подход: быстрый предварительный скрининг на устройстве, с двусмысленными или высокорисковыми случаями, загруженными для более тщательного анализа облака. Выбор зависит от целевой среды развертывания и доступной сетевой инфраструктуры.

Проблемы и ограничения

Несмотря на обещание распознавания образов на основе смартфонов для скрининга диабетической ретинопатии, необходимо решить несколько важных проблем, прежде чем может произойти широкое распространение.

Изображение Quality Variability

Качество изображений сетчатки, снятых с помощью наложений на смартфон, широко варьируется в зависимости от навыков оператора, сотрудничества с пациентами, размера зрачка, непрозрачности среды (например, катаракты) и окружающего освещения. В отличие от контролируемой клинической среды, условия на местах непредсказуемы. Алгоритм, обученный высококачественным изображениям, может потерпеть неудачу при низкокачественных захватах, что приводит к ложным негативам или ложным срабатываниям. Необходимы надежные этапы предварительной обработки, включая нормализацию изображения, удаление артефактов и адаптацию домена. Кроме того, разработка моделей, которые могут явно обрабатывать «неанализируемые» изображения, вызывая повторный захват или ручное направление, может снизить риск.

Конфиденциальность данных и этические проблемы

Изображения сетчатки считаются защищенной информацией о здоровье в большинстве юрисдикций. Хранение изображений на смартфоне или передача их по сети вызывает опасения по поводу утечек данных и несанкционированного доступа. Шифрование в покое и в пути имеет важное значение, а приложения должны минимизировать сохранение идентифицируемых данных. Более того, использование ИИ в диагностике должно быть прозрачным для пациентов, которым следует сообщить, что алгоритм, а не человек, делает первоначальную оценку. Механизмы для апелляции или человеческого надзора важны, особенно в пограничных случаях.

Регулирование и валидация Hurdles

Многие приложения для обнаружения DR на основе смартфонов были разработаны, но только некоторые из них получили нормативное разрешение. В Соединенных Штатах FDA требует предварительного одобрения медицинских устройств, которые предъявляют диагностические претензии, включая инструменты на основе ИИ. Демонстрация безопасности и эффективности в различных популяциях является дорогостоящей и трудоемкой. Кроме того, алгоритмы, которые хорошо работают в одной демографической группе (например, Кавказские популяции) могут не обобщать другие (например, азиатские или африканские популяции) из-за различий в пигментации сетчатки и представлении заболеваний. Исследования валидации должны включать репрезентативные когорты для обеспечения справедливости в результатах скрининга.

Интеграция с системами здравоохранения

Для того чтобы скрининг на основе смартфонов оказал влияние на общественное здравоохранение, результаты должны быть интегрированы в существующие пути ухода. Это требует взаимодействия с электронными системами медицинской документации, четкими рабочими процессами направления и участия офтальмологов, которые могут скептически относиться к диагнозам, созданным ИИ. Без надлежащей интеграции положительный результат скрининга может не привести к дальнейшим действиям, побеждая цель инструмента. Телемедицинские платформы, которые позволяют удаленные консультации со специалистами, могут преодолеть этот разрыв, но они требуют надежного подключения к Интернету и стандартизированных протоколов связи.

Обучение пользователей и усыновление

Даже с интуитивно понятным интерфейсом обучение работников здравоохранения эффективно использовать камеру сетчатки на основе смартфона не тривиально. Исследования показали, что показатели успеха захвата изображений значительно улучшаются после первоначального обучения и постоянного наблюдения. Кроме того, поставщики медицинских услуг и пациенты должны доверять технологии. Создание доверия включает в себя не только доказательную точность, но и решение проблем, связанных с перемещением работы и потерей человеческого контакта в медицине. Демонстрационные проекты и рецензируемые публикации, которые показывают реальное влияние, имеют решающее значение для принятия.

Будущие направления и инновации

Область распознавания образов на основе смартфонов для скрининга диабетической сетчатки быстро развивается. Несколько новых тенденций и инноваций, вероятно, будут определять ее будущее.

Мультимодальный скрининг и помимо диабетической ретинопатии

Сетчатка показывает информацию о системных заболеваниях, выходящих далеко за пределы диабета. Разработаны алгоритмы для выявления не только диабетической ретинопатии, но и возрастной макулярной дегенерации, глаукомы, гипертонической ретинопатии и даже сердечно-сосудистых факторов риска. Единый скрининг на основе смартфона может стать многоцелевой проверкой здоровья, увеличивая его ценностное предложение как для пациентов, так и для систем здравоохранения. Интеграция распознавания образов с другими датчиками смартфонов, такими как фронтальная камера для отслеживания глаз или вспышка для плюрлометрии, может обеспечить еще более широкие диагностические возможности.

Постоянное обучение и федеративное обучение

По мере того, как в полевых условиях собирается больше изображений, модели могут быть улучшены за счет непрерывного обучения, где алгоритм обновляется без переобучения с нуля. Однако правила конфиденциальности часто запрещают передачу необработанных данных о пациентах на центральный сервер. Федеративное обучение предлагает решение: модели обучаются на нескольких децентрализованных устройствах без обмена отдельными данными. Такой подход может позволить инструментам распознавания образов постоянно улучшаться в сети клиник при сохранении конфиденциальности пациентов. Ранние эксперименты с федеративным обучением для медицинской визуализации показали многообещающие результаты, хотя проблемы в стабильности и конвергенции обучения остаются.

Интеграция с электронными медицинскими записями и телеофтальмологией

Будущие приложения для скрининга на основе смартфонов, вероятно, будут функционировать в качестве конечных точек в более широких платформах телеофтальмологии. Как только результат скрининга указывает на реферативный DR, приложение может автоматически назначать встречу, отправлять безопасное сообщение в центр чтения или даже соединять пациента с удаленным офтальмологом посредством видеозвонка. Стандартизированные форматы изображений (например, DICOM) и стандарты совместимости (например, HL7 FHIR) будут иметь ключевое значение для обеспечения этих рабочих процессов. Некоторые компании уже строят такие экосистемы, сочетая скрининг ИИ с облачным хранилищем и специализированными консультационными услугами.

Достижения в технологии линз и освещения

Качество камер сетчатки, подключенных к смартфону, постоянно улучшается. Новые конструкции включают в себя многоэлементную оптику, регулируемые системы освещения, которые уменьшают блики и максимизируют контраст, а также механизмы автофокусировки, которые помогают выравнивать. Некоторые прикрепляемые устройства теперь способны получать изображения, сопоставимые с традиционными камерами глазного дна с точки зрения поля зрения (45 ° или более) и разрешения. По мере увеличения производства затраты, вероятно, будут уменьшаться, делая высококачественную визуализацию доступной для большего количества программ. Кроме того, некоторые исследователи изучают использование собственной вспышки смартфона в сочетании с диффузорами и фильтрами, чтобы полностью устранить необходимость в внешнем объективе, упрощая аппаратное обеспечение и снижая затраты.

Искусственный интеллект объясним

Одним из препятствий для клинического внедрения ИИ в медицине является «черный ящик» характера многих моделей глубокого обучения. Усилия по созданию объяснимых методов ИИ (XAI) производят тепловые карты и карты заметности, которые выделяют, какие области изображения повлияли на решение алгоритма. Для скрининга на основе смартфонов предоставление визуального наложения, указывающего на местоположение предполагаемых поражений, может помочь клиницистам проверить аргументацию алгоритма и повысить доверие. Объяснимость также важна для нормативных целей, поскольку она позволяет аудиторам понять, как работает модель, и выявить потенциальные предубеждения.

Оригинальное название: The Path Forward

Инструменты распознавания образов на основе смартфонов для скрининга диабетической сетчатки обладают огромным потенциалом для снижения бремени предотвратимой слепоты во всем мире. Используя повсеместность смартфонов и мощь искусственного интеллекта, эти инструменты могут демократизировать доступ к высококачественным обследованиям сетчатки, особенно в регионах, где в настоящее время отсутствует адекватная инфраструктура ухода за глазами. Технология быстро развивается, алгоритмы глубокого обучения достигают диагностической точности, что конкурирует с обученными специалистами в контролируемых исследованиях. Однако путь от исследовательского прототипа к широкому клиническому развертыванию чреват проблемами, связанными с качеством изображения, валидацией, регулированием, конфиденциальностью данных и интеграцией в системы здравоохранения.

Преодоление этих препятствий потребует сотрудничества между разработчиками технологий, клиническими исследователями, экспертами в области общественного здравоохранения, политиками и спонсорами. Продолжение инвестиций в крупномасштабные исследования в области проверки реального мира имеет важное значение для создания доказательной базы. В то же время открытый источник алгоритмов и наборов данных может ускорить инновации и уменьшить дублирование усилий. Правительства и некоммерческие организации могут играть каталитическую роль, финансируя исследования по внедрению и создавая пути сертификации для цифровых инструментов здравоохранения. Наконец, ориентированный на пользователя дизайн - размещение потребностей общественных медицинских работников и пациентов на переднем крае - будет иметь решающее значение для обеспечения того, чтобы эти инструменты были интуитивно понятными, надежными и охватывались сообществами, которым они стремятся служить. По мере того, как технологии смартфонов продолжают развиваться и модели ИИ становятся более надежными, видение действительно портативного, доступного и точного скрининга диабетической ретинопатии приближается к реальности. С устойчивыми усилиями мы можем превратить смартфон в мощное оружие в борьбе с диабетической слепотой.