AI (искусственный интеллект) — это общее название для систем машинного обучения, имитирующих человеческий интеллект. Deep learning (DL) — это подмножество AI, использующее многослойные нейронные сети для извлечения сложных признаков и принятия сложных решений1).
Офтальмология — одна из медицинских областей, где применение AI продвинулось дальше всего. Снимки глазного дна, ОКТ (оптическая когерентная томография), исследования поля зрения и другие визуальные данные стандартизированы, поэтому легче собрать большой объем обучающих данных. Основные цели применения AI следующие.
В 2018 году FDA одобрило первую полностью автономную AI-систему диагностики (IDx-DR), что ускорило практическое внедрение офтальмологической AI-диагностики2). IDx-DR может использоваться немедицинским персоналом в терапевтических и первичных медицинских учреждениях и автоматически определяет, нужна ли направка к врачу-офтальмологу2).
Системы глубокого обучения показали точность, сопоставимую со специалистами, в выявлении диабетической ретинопатии, глаукомы и AMD, а также была показана возможность диагностики с помощью ИИ по снимкам глазного дна8).
ИИ автоматически анализирует изображения глазного дна и OCT для выявления таких заболеваний, как диабетическая ретинопатия, глаукома и возрастная макулярная дегенерация. Скрининговый ИИ (полностью автономный) могут использовать не офтальмологи, и он применяется для первичного скрининга в регионах, где не хватает специалистов. Также изучается применение чат-ботов на основе ИИ (например, GPT-4) для оценки знаний по офтальмологии и обучения пациентов3). Он рассматривается как вспомогательный инструмент, а окончательный диагноз ставит врач-офтальмолог.
ИИ в офтальмологии в целом делится на следующие три типа в зависимости от функции и уровня автономности.
Скрининговый ИИ (полностью автономный)
Он автоматически анализирует снимки глазного дна и определяет, нужно ли направление к врачу или нет. Он может работать даже там, где нет специалистов по офтальмологии, и применяется к следующим заболеваниям2).
ИИ для поддержки диагностики (полуавтономный)
Это система, которая помогает врачу интерпретировать изображения. Она используется для классификации подтипов AMD с помощью автоматической сегментации слоевой структуры OCT, а также для оценки тяжести диабетического макулярного отека (DME).
ИИ-чатбот (мультимодальный)
Это применение большой языковой модели, которая одновременно анализирует текст (данные анамнеза) и изображения (фотографии глазного дна и OCT). Оценивались офтальмологические знания ChatGPT-4 и его способность интерпретировать изображения, и рассматривается его использование для обучения пациентов и удаленного сбора анамнеза3).
| Тип ИИ | Репрезентативная система | Цель | Показатель точности |
|---|---|---|---|
| Скрининговый ИИ (автономный) | IDx-DR2) | Диабетическая ретинопатия | Чувствительность 87,2%, специфичность 90,7% |
| Скрининговый ИИ (автономный) | i-ROP DL5) | ROP | чувствительность 91%, специфичность 91% |
| Скрининговый ИИ (автономный) | EyeArt4) | диабетическая ретинопатия | Оценен и используется в NHS Великобритании |
| ИИ-чатбот | ChatGPT-43) | оценка знаний по офтальмологии | общая точность 70% |
2) — первая полностью автономная система диагностики на основе ИИ, одобренная FDA в 2018 году. Снимки делает не офтальмологический персонал с помощью немидриатической камеры глазного дна, а ИИ автоматически анализирует их и принимает решение о необходимости направления. Система внедряется в учреждениях первичной помощи.
Основные показатели эффективности (ключевое исследование Abràmoff и соавт., 2018)2):
IDx-DR позволил организовать автономный скрининг диабетической ретинопатии в отделениях внутренней медицины и первичной помощи, что помогает эффективно отбирать случаи, требующие направления к офтальмологу2).
Была оценена точность GPT-4 в вопросах по офтальмологии с множественным выбором3), и общая точность составляет 70%.
| Сфера | Точность |
|---|---|
| Сетчатка | 77% (наивысшая)3) |
| Опухоли глаза | 72%3) |
| Детская офтальмология | 68%3) |
| Увеит | 67%3) |
| Глаукома | 61%3) |
| нейроофтальмология | 58% (наименьший)3) |
Эта разница показывает, что способность чатбота интерпретировать изображения по-прежнему уступает его пониманию текста, не основанного на изображениях. Отмечается, что правильная интеграция мультимодальных чатботов в клиническую практику крайне важна3).
IDx-DR (одобрен FDA в 2018 году)
Целевое заболевание: диабетическая ретинопатия
Точность: чувствительность 87,2%, специфичность 90,7%
Особенности: полностью автономная. Может использоваться не офтальмологами. Применяется во внутренней медицине и первичной помощи2)
EyeArt (Eyenuk)
Целевое заболевание: диабетическая ретинопатия
Точность: оценена и внедрена в NHS Великобритании
Особенности: имеет опыт интеграции в программы скрининга4)
i-ROP DL (2018)
Целевое заболевание: ретинопатия недоношенных (ROP)
Точность: чувствительность 91%, специфичность 91%
Особенность: автоматическое обнаружение plus-поражения в отделении интенсивной терапии новорожденных5)
ChatGPT-4 (OpenAI)
Объект: оценка знаний по офтальмологии и интерпретации изображений
Точность: общая доля правильных ответов 70% (сетчатка 77%, нейроофтальмология 58%)
Особенность: на стадии исследования для применения в обучении пациентов и дистанционном опросе3)
AI для скрининга диабетической ретинопатии (IDx-DR) показал чувствительность 87.2% и специфичность 90.7%, а его точность оказалась сопоставима с заключением офтальмолога2). AI для ретинопатии недоношенных (ROP) (i-ROP DL) также достиг чувствительности 91% и специфичности 91%5). В то же время при оценке офтальмологических знаний чат-бота AI (ChatGPT-4) общая доля правильных ответов составила 70%, а в области нейроофтальмологии — лишь 58%3). Во всех случаях AI является только вспомогательным инструментом, и при выявлении отклонений требуется тщательное обследование у офтальмолога.
В нескольких исследованиях накапливаются данные об экономической эффективности офтальмологического скрининга с использованием AI1).
В систематическом обзоре Wu и соавт. (2021) 11 из 15 исследований, оценивавших экономическую эффективность ИИ-скрининга DR, признали его экономически эффективным1).
| Регион/условия | Оценка экономической эффективности | Источник |
|---|---|---|
| NHS Шотландии | Годовая экономия $403,200 | Wu 20211) |
| Первичная помощь в США | Снижение затрат на 23.3% на одного пациента | Wu 20211) |
| сельские районы Китая | на $34.86 дешевле, чем у людей-оценщиков, +0.04 QALY | Wu 20211) |
| Япония (AMD, Tamura et al. 2022) | ICER $99,283/QALY (выше порога) | Wu 20211) |
Сообщалось, что автономный ИИ-скрининг является наиболее экономически эффективным по сравнению с телемедициной, офтальмоскопией и вспомогательным ИИ1). При пороге готовности платить $7 он был признан экономически эффективным по сравнению со вспомогательным скринингом1).
В японской когортной симуляции (500,000 человек в возрасте 40 лет и старше, распространенность 3.85 %) ICER скрининга с ИИ каждые 3 года составил $99,283/QALY ($92,890-$99,283)1). Это превышает японский порог готовности платить (около $47,286/QALY), поэтому экономическая эффективность скрининга AMD пока остается под вопросом1). Однако дальнейший прогресс в технологиях ИИ и снижение затрат могут улучшить ситуацию в будущем.
Ниже перечислены этические и юридические вопросы, связанные с ИИ в офтальмологии1).
Системы, одобренные регулирующими органами, такими как FDA (например, IDx-DR), прошли строгие клинические испытания, и был подтверждён определённый уровень безопасности2). Однако диагностика с помощью ИИ является вспомогательным инструментом, а окончательный диагноз и план лечения должен определять врач-офтальмолог. Не рекомендуется ставить диагноз самостоятельно только с помощью чат-бота ИИ (например, ChatGPT). Точность ИИ может снижаться при плохом качестве изображения, редких заболеваниях и в области нейроофтальмологии3), поэтому при подозрении на отклонение важно как можно скорее обратиться к офтальмологу.
Сверточная нейронная сеть (CNN: Convolutional Neural Network) — это ключевая технология ИИ-диагностики в офтальмологии.
Перенос обучения (применение предварительно обученных моделей из других областей, например ImageNet, к офтальмологическим изображениям) широко используется как способ добиться высокой точности даже при ограниченном объеме обучающих данных.
Также ведутся исследования по генерации синтетических изображений с помощью GAN (генеративных состязательных сетей), чтобы искусственно расширять обучающие данные для редких заболеваний.
Мультимодальный ИИ, который одновременно обрабатывает текст (данные анамнеза) и изображения (фотографии глазного дна и OCT), по мере развития больших языковых моделей (например, GPT-4) начинает применяться в офтальмологии3). Хотя он может объединять более разнообразную информацию, чем CNN с одной модальностью, было показано, что его способность интерпретировать изображения все еще уступает пониманию текста3).
Анализ фотографий глазного дна с помощью глубокого обучения показал, что по одним лишь фотографиям глазного дна можно прогнозировать такие системные факторы риска, как возраст, пол, систолическое артериальное давление, история курения и HbA1c6). Для прогноза будущего риска сердечно-сосудистых событий (инфаркт миокарда и инсульт) также сообщалась определённая точность, и поэтому привлекает внимание возможность того, что фотографии глазного дна могут служить окном в общее состояние здоровья. AI-модели для прогнозирования деменции, заболеваний почек и анемии также находятся на стадии исследований6).
Съёмка глазного дна с помощью маленькой насадки-линзы на смартфон и анализ с помощью AI показали, что скрининг DR у пациентов с диабетом в Индии практически применим7). И чувствительность, и специфичность оказались сопоставимы со специализированными камерами для глазного дна, а AI-скрининг в сочетании с недорогими универсальными устройствами может способствовать его распространению в развивающихся странах и сельских районах.
Интеграция AI-скрининга и телемедицины ожидаемо улучшит доступ к офтальмологической помощи в отдалённых районах и развивающихся странах. Даже в учреждениях без врача-офтальмолога AI может проводить первичный скрининг и направлять только положительные случаи на дистанционную оценку специалистом, что позволяет эффективнее использовать медицинские ресурсы.
Продолжаются исследования AI, который заранее прогнозирует ответ на анти-VEGF-терапию (ранибизумаб, афлиберцепт, фарисимаб и др.) и предлагает оптимальный план введения для каждого пациента. Модели, прогнозирующие эффект лечения по изображениям OCT, могут способствовать уменьшению числа инъекций и улучшению прогноза зрения.
Большие языковые модели (например, GPT-4) изучаются для таких задач, как объяснение болезней пациентам, подготовка документов информированного согласия и помощь при опросе3). Однако остаются проблемы, связанные с предотвращением ошибок и смещений в медицинской информации, а также с сохранением отношений между врачом и пациентом. Не рекомендуется, чтобы пациенты принимали решения о самодиагностике или самолечении, полагаясь только на чат-бот3).
Wu JH, Liu TYA, Hsu WT, et al. Performance and limitation of machine learning algorithms for diabetic retinopathy screening: meta-analysis. J Med Internet Res. 2021;23(11):e23863.
Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ digital medicine. 2018;1:39. doi:10.1038/s41746-018-0040-6. PMID:31304320; PMCID:PMC6550188.
Mihalache A, Popovic MM, Guo MZ, et al. Performance of an upgraded artificial intelligence chatbot for ophthalmic knowledge assessment. JAMA Ophthalmol. 2024;142(3):234-241.
Olvera-Barrios A, Heeren TF, Balaskas K, et al. Diagnostic accuracy of diabetic retinopathy grading by an artificial intelligence-enabled algorithm compared with a human standard reference. Diabetologia. 2023;66(5):857-866.
Brown JM, Campbell JP, Beers A, et al. Automated diagnosis of plus disease in retinopathy of prematurity using deep convolutional neural networks. JAMA Ophthalmol. 2018;136(7):803-810.
Poplin R, Varadarajan AV, Blumer K, Liu Y, McConnell MV, Corrado GS, et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nature biomedical engineering. 2018;2(3):158-164. doi:10.1038/s41551-018-0195-0. PMID:31015713.
Rajalakshmi R, Subashini R, Anjana RM, et al. Automated diabetic retinopathy detection in smartphone-based fundus photography using artificial intelligence. Eye. 2018;32(6):1138-1144.
Ting DSW, Cheung CY, Lim G, Tan GSW, Quang ND, Gan A, et al. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA. 2017;318(22):2211-2223. doi:10.1001/jama.2017.18152. PMID:29234807; PMCID:PMC5820739.
