Pochopenie diabetickej retinopatie

Diabetická retinopatia (DR) je mikrovaskulárna komplikácia diabetes mellitus, ktorá poškodzuje sietnicové cievy, vedie k progresívnej strate zraku, ak sa nelieči. Stav pochádza z chronickej hyperglykémie, ktorá spôsobuje poškodenie kapilárneho endotelu, stratu periocytov, a zhrubnutie suterénovej membrány. Tieto patologické zmeny vedú k cievnej presakovanie, tvorba mikroaneuryzmu a kapilárnej oklúzie. Ako sa zhoršuje ischémia, retina uvoľňuje cievny endotelový rastový faktor (VEGF), stimuluje abnormálnu neovaskulárnu mozgovú príhodu

Klinická progresia DR nasleduje po dobre zavedenom inscenačnom systéme. Medzinárodná stupnica klinickej diabetickej retinopatie kategorizuje závažnosť od miernej neproliferatívnej DR (NPDR) až po stredne ťažkú NPDR, ťažkú NPDR a nakoniec PDR. V raných štádiách sú pacienti často asymptomatickí; jemné lézie, ako sú mikroneuryzmy a krvácanie do bodky, môžu byť viditeľné len pri dilatovanom ofenusovom vyšetrení alebo fotografii sietnice. Keďže ochorenie sa môže objaviť v akejkoľvek fáze, môže dôjsť k makulárnemu edému, ktorý spôsobuje stratu centrálneho zraku. Očakáva sa, že záťaž DR sa zvýši so zvyšujúcou sa prevalenciou cukrovky

Tradičné skríningové metódy sa spoliehajú na manuálne určovanie sietnicových snímok vyškolenými odborníkmi, ako sú oftalmológovia, optometristi alebo certifikovaní graveristi. Aj keď sa tento prístup ukázal ako účinný v kontrolovaných prostrediach, čelí niekoľkým obmedzeniam: vysokým nákladom, obmedzenej dostupnosti špecialistov v oblastiach, ktoré nie sú v službe, a významnej variabilite medzi triedami. Typický skríningový program vyžaduje, aby gearleri preskúmali stovky snímok na sedenie, čo vedie k únave a nekonzistentnej presnosti. Tieto výzvy urýchlili hľadanie automatizovaných, škálovateľných riešení, ktoré môžu zachovať vysoké diagnostické štandardy a zároveň znížiť ľudské úsilie a náklady.

Úloha hlbokého učenia sa pri medicíne

Deep learning (CNN) podskupina strojového učenia na základe viacvrstvových umelých neurálnych sietí , má revolučnú lekársku analýzu obrazu v priebehu minulého desaťročia. Konvolúčné neurálne siete (CNN) sú obzvlášť adept na učenie hierarchické funkcie z nespracovaných pixelových dát, eliminujúce potrebu ručného extrakcie funkcie. V súvislosti s retinálne zobrazovanie, hlboké učenie modely požierať fundus fotografie a naučiť sa rozpoznať vzory spojené s patológiou DR, ako sú mikroaneuryzmy, hemorágie, exsudáty, bavlna-wool škvrny, a žilové zmeny. Tieto modely sú zvyčajne vyškolení na veľké súbory obrázkov anotované expertmi oftalmológov pomocou normalizovaných tried.

Viaceré významné štúdie preukázali rovnocennosť alebo nadradenosť systémov hlbokého učenia v porovnaní s ľudskými žiakmi. Systém IDx-DR

Ako hlboké učenie modely analyzovať sietnice obrázky

Školenie hĺbkového učenia sa pre detekciu DR zahŕňa prísne potrubia. Prvým krokom je získavanie dát: veľká zbierka fundus fotografií z rôznych populácií je zhromažďovaný, každý označený s vážnosťou. Typické súbory údajov zahŕňajú EyePACS databázu (viac ako 80.000 obrázkov) a Kaggle Diabetic Retinophy Detection Challenge súbor. Predspracovateľské kroky zahŕňajú zmenu veľkosti obrázkov na jednotné rozlíšenie (napr. 512×512 pixelov), normalizáciu farebných kanálov, a nastavenie kontrastu na zníženie variability z rôznych modelov kamerových. Techniky augmentácie dát chápanie rotácie, flipy, jas a kontrastné zmeny, a elastickej deformácie sa používajú na zvýšenie efektívne veľkosť súborov a zlepšenie odolnosti modelu.

Architektúra štandardnej CNN začína konvolúciou vrstiev, ktoré vyťažia nízkoúrovňové vlastnosti ako hrany, blondínky a textúry. Skladovacie vrstvy znižujú priestorové rozmery pri zachovaní priaznivých informácií. Hlbšie konvolúčné vrstvy ich spájajú do vyšších funkcií predstavujúcich tvary lézií a priestorové vzťahy. Nakoniec plne prepojené vrstvy vytvárajú pravdepodobnosti rozdelenia medzi triedami závažnosti. Pokročilé architektúry teraz zahŕňajú mechanizmy pozornosti, ako napríklad SE (Squeeze-and-Excitation) bloky alebo transformátor-založené sebapozornosť, ktoré umožňujú sieti zamerať sa na klinicky relevantné regióny, zlepšiť presnosť a interpretovateľnosť. Napríklad ObrázkyNeXt Architektúra kombinovaná s pozornosťou dosiahla stav-of-the-art výsledky viacerých detekčných referenčných hodnôt DR.

Techniky vysvetľovania, ako je Grad-CAM a mapa slanitosti, vytvárajú teplomery, ktoré prekrývajú pôvodný obraz, zdôrazňujú najvplyvnejšie pixely v rozhodnutí modelu. Táto transparentnosť je nevyhnutná pre budovanie dôvery kliniky a pre schválenie regulácie. Štúdia Národného očného inštitútu [ preukázala, že kliníkiali boli náchylnejší prijať odporúčania AI, keď sa výpary jasne označujú miesta lézie v súlade s ich vlastným úsudkom. Súčasné metódy vysvetľovania však majú obmedzenia a že nemusia zachytiť úplný proces uvažovania a ich klinický úžitok zostáva oblasťou aktívneho výskumu.

Výhody hlbokého učenia sa pri včasnom odhaľovaní

Zavedenie systémov hlbokého učenia sa na skríning DR ponúka niekoľko presvedčivých výhod, ktoré riešia nedostatky tradičných metód, ako je uvedené nižšie.

  • [Vysoká diagnostická presnosť:[ Početné štúdie potvrdzujú, že modely hlbokého učenia dosahujú citlivosť a špecifickosť non-inferiórnu ako modely oftalmológov certifikovaných na palube. Pre skoré štádium DR (mierne NPDR) modely často detekujú mikroaneuryzmy s väčšou konzistenciou ako u ľudí, znižujúce falošné negatíva. Štúdia 2020 v []Oftalmológia Retina zistila, že systém hlbokého učenia je známy DR s citlivosťou 98,5% v porovnaní s 92,2% u skupiny stupcov.
  • [Neprebiehajúca rýchlosť:[ Dobre optimalizovaná neurálna sieť môže analyzovať jeden obraz sietnice v menej ako 0,1 sekundy na modernom GPU. Táto rýchlosť umožňuje skríning stoviek pacientov za hodinu, eliminuje problémy vo vysokoobjemových klinikách alebo komunitných skríningových diskoch. Refundácia v reálnom čase umožňuje rozhodnutie o postupe v ten istý deň.
  • [Kapacita a prístup:[ Deep learning models can run on low-cost hardware, including smartphones with custom retinal access. To umožňuje skríning v odľahlých alebo zdrojovo obmedzených nastavení, kde sú oftalmológovia vzácne. Telemedicína platformy môžu automaticky triediť obrázky nahrané z periférnych kliník a odkázať len pozitívne prípady pre odborné konzultácie, drasticky znížiť potrebné špecializované pracovné sily.
  • [Súvislosť a reprodukovateľnosť:[]Na rozdiel od ľudí, ktorých presnosť sa líši únavou, dennou dobou alebo skúsenosťami, vycvičená CNN produkuje identické výstupy pre rovnaké vstupy. Tým sa eliminuje variabilita medzi pozorovateľmi a intra-pozorovateľmi, čím sa zabezpečí jednotný štandard starostlivosti na rôznych miestach a v priebehu času. Táto konzistencia je obzvlášť cenná vo veľkých skríningových programoch, kde sa vyšetrujú tisíce pacientov na viacerých miestach.
  • [Cost-Efektivita:] Automatizovaný skríning drasticky znižuje náklady na prácu na jedného skúmaného pacienta. A 2022 zdravotná ekonomická analýza odhadla, že AI-založené skríning by mohol ušetriť 3,2 milióna dolárov na 100 000 pacientov, ktorí boli vyšetrení v americkom systéme zdravotnej starostlivosti, predovšetkým prostredníctvom zníženej potreby špecializovaných stupňov a skoršej detekcie, ktorá zabraňuje nákladnej pokročilej liečbe ochorenia. To robí ekonomicky životaschopné, aby sa každý rok preverili všetky osoby s diabetom, ako sa odporúča, a nie len osoby s pokročilými príznakmi.

Výzvy a úvahy

Napriek svojmu sľubu, nasadenie hlbokého učenia sa pre detekciu DR nie je bez prekážok. Jedným z najdôležitejších problémov je potreba veľkých, kvalitných a rôznorodých súborov školení. Modely vyškolené predovšetkým na obrazoch z jedinej etnickej príslušnosti alebo výrobcu fotoaparátu môžu mať slabé výsledky, keď čelia nenáročným populáciám alebo zobrazovacím podmienkam. Napríklad model vyškolený na súboroch údajov o kaukazskom prevahe môže znížiť presnosť tmavšej pigmentácie fondu, ktorá je spoločná pre africké alebo ázijské populácie. Úsilie, ako je výzva kaggleovej detekčnej retinopatie a súbor údajov EyePACS, sa začalo zaoberať touto otázkou, ale geografická a demografická rozmanitosť zostáva problémom globálneho rozsahu. FDA zdôraznila potrebu overenia pred uvedením na trh na reprezentatívnej populácii, aby sa zabránilo algoritmickým predpojatiam.

Ďalším kritickým problémom je interpretácia. Hlboké nervové siete sú často popisované ako "čierne boxy" a klinickí lekári sa pochopiteľne zdráhajú zakladať rozhodnutia o liečbe na odporúčaní bez toho, aby rozumeli logike. Hoci techniky vysvetľovania založené na tepelnej mape, ako napríklad Grad-CAM, zlepšili transparentnosť, zatiaľ nie sú všeobecne akceptované ako dostatočné pre klinickú dôveru. Prieskum oftalmológov uverejnený v []JAMA Oftalmológia zistila, že 78% by používalo nástroje AI, iba ak by systém mohol poskytnúť jasné odôvodnenie svojich zistení. Regulačné agentúry naďalej zdokonaľujú usmernenia pre zariadenia založené na umelom ukazovateli, ktoré si vyžadujú dôsledné overenie skutočných údajov a jasné označovanie obmedzení modelov.

Bezpečnosť a ochrana osobných údajov predstavujú ďalšie obmedzenia. Retinálne snímky sú citlivé osobné údaje podľa nariadení, ako sú HIPAA a GDPR. Prenos snímok do služieb AI založených na cloude vyvoláva obavy o ich dodržiavanie a potenciálne porušenia údajov môžu mať vážne dôsledky. Modely založené na hranách, ktoré fungujú lokálne na detekčných zariadeniach, ponúkajú čiastočné riešenie, ale obmedzujú schopnosť aktualizovať alebo zlepšiť model centrálne bez opätovného zakomponovania softvéru. Federované vzdelávanie, ktoré vlaky modely v rámci inštitúcií bez zdieľania nespracovaných údajov, je aktívna výskumná oblasť zameraná na zachovanie súkromia a zároveň na využívanie heterogénnych údajov. Pilotná štúdia 2023 konzorcia európskych nemocníc ukázala, že kŕmený vzdelávací model na detekciu DR dosiahol 96% výkonu centrálne vyškoleného modelu pri zachovaní údajov o prevádzkových podmienkach pacientov.

Integrácia do postupov klinickej práce

Praktická integrácia nástrojov hlbokého učenia do existujúcich diabetických očných dráh zahŕňa nielen technické nasadenie, ale aj zmeny v pracovnom toku, preplácanie a klinickej odbornej prípravy. Jedným z úspešných modelov je AI-pomocou triage, kde hĺbkový algoritmus učenia automaticky stupňovať prichádzajúce obrazy a vlajky len tie s podozrivými zisteniami pre manuálne preskúmanie. Tento prístup môže znížiť záťaž odborníka na vyšetrenie o 50

Niekoľko zdravotníckych systémov pilotoval AI-riadený skríning s povzbudivými výsledkami. Národná zdravotnícka služba (NHS) Diabetická očná skríningová Program v Anglicku hlásil, že hlboký systém učenia by spoľahlivo identifikovať viac ako 95% referencovateľných prípadov DR, a jeho implementácia bola spojená s výrazným skrátením času od zachytenia obrazu k diagnostike

Budúce smerovania a výskum

Výskumníci skúmajú multimodálne modely, ktoré kombinujú fundusové fotografie s inými zobrazovacími modalitami, ako je optická koherentná tomografia (OCT), ktorá poskytuje hĺbkové riešenie informácií o sietnici a dokáže odhaliť skorý diabetický makulárny edém predtým, ako sa stane klinicky viditeľným na okne. Štúdia 2023 v [] prírodovedná medicína zaviedla model, ktorý spoločne analyzoval fundus a obrazy OCT, pričom dosiahla AUC 0,98 na detekciu makulárneho edému v centre, do ktorého sa zapojili. Iné skúmajú používanie generatívnych adversárskych sietí (GANs) na syntetizovanie realistických retinálnych snímok pre školenie, čím sa zvýšila rozmanitosť súborov bez nákladov na nábor nových pacientov.

Vysvetliteľné metódy AI (XAI) sú rafinované tak, aby vytvárali klinicky viac akčných odôvodnení pre rozhodnutia modelu. Súčasná práca sa zameriava na vytváranie modelov, ktoré vyprodukujú nielen stupeň závažnosti, ale aj mapu miest lézií a skóre spoľahlivosti na léziu. Niektoré architektúry teraz obsahujú mechanizmy založené na pozornosti, ktoré konkrétne zvýraznia mikroaneuryzmy, hemorágie a exsudujú, čo umožňuje lekárom overiť nálezy modelu. V dlhodobejšom horizonte môže multi-taskové učenie umožniť jednej nervovej sieti súčasne odhaliť DR, predvídať riziko progresie, a dokonca odhadnúť pravdepodobnosť ďalších diabetických komplikácií, ako je nefropatia alebo kardiovaskulárne ochorenie, otvoriť dvere systémovému skríningu z jedného očného obrazu. Štúdia 2024 z Google Health preukázala model, ktorý by mohol predvídať päťročné riziko ochorenia obličiek z mononálnych fotografií, s AUC 0,83.

Federované učenie je ďalšou sľubnou paradigmou, kde sú modely vyškolené vo viacerých inštitúciách bez toho, aby sa vyžadovalo, aby sa nespracované údaje opustili na každej stránke. Tento prístup zachováva súkromie pacientov a zároveň umožňuje modelom učiť sa od heterogénnych populácií, potenciálne prekonávať výzvu v oblasti rozmanitosti súborov. Nedávni piloti v Európe ukázali, že kŕmené učenie sa môže zodpovedať výkonu centrálne vyškolených modelov pri zachovaní súladu s GDPR. Okrem toho, špičkové výpočtové spracovanie obrazov na lokálnom hardvéri sa stáva životaschopnejším s príchodom kompaktných urýchľovačov neurálov, čo umožňuje v reálnom čase vyvodzovanie bez pripojenia k internetu. To bude rozhodujúce pre zavádzanie v prostredí s nízkym zdrojom.

Záver

Hlboké učenie sa presunulo z výskumných laboratórií do klinickej praxe ako silný asistent v boji proti diabetickej retinopatie-súvisiace slepota. Umožnením rýchle, presné, a škálovateľné analýzy retinálnych obrazov, tieto AI systémy dopĺňajú odborné znalosti očné profesionálov a rozšíriť prístup ku vysokokvalitnej skríningu na milióny diabetických pacientov, ktorí by inak mohli ísť nediagnostikované až do zorného poľa. Výzvy sú už ohrozené. Výzvy zostávajú chápané najmä v oblasti rozmanitosti dát, interpretability a regulačnej harmonizácie