Оценка классификаторов машинного обучения для поддержки принятия решений о направлении к врачу при глаукоме в учреждениях первичной медико-санитарной помощи

Jun 09, 2023

Научные отчеты, том 12, Номер статьи: 8518 (2022) Цитировать эту статью

934 Доступа

1 Цитаты

3 Альтметрика

Подробности о метриках

Было предложено несколько алгоритмов искусственного интеллекта, помогающих диагностировать глаукому путем анализа функциональных и/или структурных изменений в глазу. Эти алгоритмы требуют тщательно подобранных наборов данных с доступом к изображениям глаз. В текущем исследовании мы смоделировали и оценили классификаторы для прогнозирования глаукомы по самооценке, используя единый, легко получаемый глазной признак (внутриглазное давление (ВГД)) и неглазные признаки (возраст, пол, раса, индекс массы тела, систолическое и диастолическое артериальное давление и сопутствующие заболевания). Классификаторы были обучены на общедоступных данных о 3015 субъектах, у которых на момент включения не было диагноза глаукомы. 337 субъектов впоследствии самостоятельно сообщили о диагнозе глаукомы в течение 1–12 лет после включения в исследование. Классификаторы оценивались по способности идентифицировать этих субъектов, используя только их характеристики, записанные во время регистрации. Машина опорных векторов, логистическая регрессия и адаптивное повышение выполнялись одинаково в наборе данных с баллами F1 0,31, 0,30 и 0,28 соответственно. Логистическая регрессия имела самую высокую чувствительность – 60% при специфичности 69%. Прогностические классификаторы, использующие преимущественно неглазные признаки, могут быть использованы для выявления подозрения на глаукому в учреждениях, не относящихся к офтальмологической помощи, включая первичную помощь. Необходимы дальнейшие исследования по поиску дополнительных функций, улучшающих производительность прогнозирующих классификаторов.

Глаукома — прогрессирующая оптическая нейропатия, приводящая к потере ганглиозных клеток сетчатки; если его не лечить, это может привести к полной слепоте. Это основная причина необратимой слепоты в мире. В настоящее время от нее страдают около 70 миллионов человек, и, по прогнозам, к 2040 году это число вырастет примерно до 112 миллионов1. Хотя нарушение зрения, вызванное глаукомой, является необратимым, раннее выявление и лечение этого заболевания могут снизить риск необратимой потери зрения2. К сожалению, этому препятствует бессимптомная природа глаукомы3 и ее сложный, ресурсоемкий и субъективный процесс диагностики4,5,6,7. Подходы, основанные на искусственном интеллекте (ИИ), могут позволить создавать, проверять и внедрять прогностические модели для выявления лиц с высоким риском развития глаукомы в условиях, которые не обязательно имеют доступ к устройствам офтальмологической визуализации (например, первичная медико-санитарная помощь) и координировать свою помощь с офтальмологом.

В последние годы было исследовано несколько подходов на основе искусственного интеллекта для диагностики офтальмологических патологий, таких как диабетическая ретинопатия8,9, макулярный отек10,11 и кератоконус12. Некоторые из этих усилий привели к созданию новых медицинских устройств. В 2018 году IDx-DR был одобрен Ассоциацией по контролю за продуктами и лекарствами США как первая полностью автономная система диагностики диабетической ретинопатии на основе искусственного интеллекта13. В нескольких исследованиях ИИ предпринимались попытки интерпретировать структурные и функциональные закономерности, проявляющиеся в глазах, для прогноза и диагностики глаукомы14,15,16,17,18,19,20,21,22,23,24,25. Искусственные нейронные сети (ИНС) и классификаторы машинного обучения использовались на функциональных данных, таких как поля зрения, для выявления закономерностей прогрессирования глаукомы раньше, чем более традиционные методы14,15,16,17. Появление глубокого обучения позволило использовать изображения сетчатки, такие как цветные фотографии глазного дна (CFP)18,19,20,21,22 и изображения макулярной оптической когерентной томографии (ОКТ)23,24,25, для извлечения структурных особенностей и дифференциации глаукоматозного повреждения. . По сравнению с такими заболеваниями, как диабетическая ретинопатия, где уже применяются клинически осуществимые диагностические технологии на основе искусственного интеллекта, разработка таких инструментов для глаукомы может быть более сложной из-за значительных различий во внешнем виде дисков зрительных нервов. Необходимость в тщательно выбранных, больших и разнообразных наборах обучающих данных для достижения высокой точности диагностики усугубляет эту проблему. Эффективность моделей, специфичных для глаукомы, зависит от качества и количества изображений (> 100 000), что делает этот процесс трудоемким и дорогостоящим26. Более того, необходимы повторные тесты поля зрения, чтобы учесть присущую им субъективность, что делает их основной частью рабочей нагрузки больничных офтальмологических служб22,27.