Оценка эффективности технологии нейронных сетей при анализе состояния диска зрительного нерва и перипапиллярной сетчатки у здоровых лиц, обследованных на глаукому

Цель: оценка эффективности применения технологии искусственного интеллекта и нейронных сетей при анализе состояния диска зрительного нерва (ДЗН) и перипапиллярной сетчатки у здоровых людей.

Материал и методы. Проведен проспективный анализ состояния органа зрения у 54 пациентов в возрасте от 49 лет до 71 года (100 глаз). Обследование включало авторефрактометрию, визометрию, тонометрию, автоматическую периметрию, спектральную оптическую когерентную томографию, Гейдельбергскую ретинотомографию. Заранее обученная нейронная сеть оценивала лишь фотографию ДЗН и  перипапиллярной сетчатки.

Результаты. Нейронной сетью были выделены двенадцать изо‑ бражений с подозрением на глаукому, из которых врачи-эксперты отобрали пять. Сравнение всех групп наблюдения продемонстрировало наличие статистически значимых различий между ними по ряду визиометрических показателей.

Заключение. Результаты исследования отразили высокую эффективность искусственного интеллекта и перспективность его применения для диагностики глаукомы. 

1. Егоров Е.А., Астахов Ю.С., Еричев В.П. Национальное руководство по глаукоме для практикующих врачей. М.: ГЭОТАР-Медиа, 2015:456

2. Weinreb RN, Garway-Heath T, Leung C, Medeiros FA, Leibmann J. Diagnosis of primaryopen glaucoma. WGA Consensus Series 10. Amsterdam: Kugler Publications; 2017.

3. Oliveira DAB, Vellasco MBR, Oliveira MB, Yamane R. Application of neural networks in aid for diagnosis for patients with glaucoma. Int Conf Bio-inspired Sys Sign Proc. 2009;1(1);139–145. doi: 10.5220/0001547401390145

4. Bizios D, Heijl A, Hougaard JL, Bengtsson B. Machine learning classifiers for glaucoma diagnosis based on classification of retinal nerve fibre layer thickness parameters measured by Stratus OCT. Acta Ophthalmol. 2010:88:44–52.

5. Karthikeyan S, Rengarajan N. A thorough investigation on automated diagnosis of glaucoma. Int J Adv Res Comp Sci. 2012;3(4):294–302.

6. Vidotti VG, Costa VP, Silva FR, Resende GM, Cremasco F, Dias M, Gomi ES. Sensitivity and specificity of machine learning classifiers for glaucoma diagnosis using Spectral Domain OCT and standard automated perimetry. Arq Bras Oftalmol. 2013;76(3):170–4.

7. Thompson AC, Jammal AA, Medeiros FA. A deep learning algorithm to quantify neuroretinal rim loss from optic disc photographs. Am J Ophthalmol. 2019;201:9–18.

8. Medeiros FA, Jammal AA, Thompson AC. From machine to machine: an OCT-trained deep learning algorithm for objective quantification of glaucomatous damage in fundus photographs. Ophthalmology. 2019;126(4):513–21.

9. Куроедов А.В., Остапенко Г.А., Митрошина К.В., Мовсисян А.Б. Современная диагностика глаукомы: нейросети и искусственный интеллект. Клиническая офтальмология. 2019;19(4):230–7.

10. Гапонько О.В., Куроедов А.В., Городничий В.В., Кондракова И.В., Криницына Е.А. Традиционные и современные морфометрические характеристики нейроретинального пояска в диагностике начальной стадии глаукомы. Национальный журнал глаукома. 2018;17(3):3–14.

11. Авдеев Р.В., Александров А.С., Арапиев М.У., Бакунина Н.А., Басинский А.С., Белая Д.А. и др. Подозрение и начальная стадия глаукомы: дифференциально-диагностические критерии. Российский офтальмологический журнал. 2017;10(4):5–15.

12. Reis AS, O’Leary N, Yang H, Sharpe GP, Nicolela MT, Burgoyne CF, Chauhan BC. Influence of clinically invisible, but optical coherence tomography detected, optic disc margin anatomy on neuroretinal rim evaluation. IOVS. 2012;53(4):1852–60.

13. Chauhan CB, Burgoyne CF. From clinical examination of the optic disc to clinical assessment of the optic nerve head: A paradigm change. Am J Ophthalmol. 2013;156(2):218–27.

14. Курышева Н.И., Киселева Т.И., Арджевнишвили Т.Д., Фомин А.В., Ходак Н.А., Орозбаева Г.М., Рыжков П.К. Хориоидея при глаукоме: результаты исследования методом ОКТ. Национальный журнал глаукома. 2013;3:73–82.

15. Curcio CA, Johnson M. Structure, function, and pathology of Bruch’s membrane. Retinal degenerative diseases: Mechanisms and Experimental Therapy. Eds by Rickmann C.B., LaVail M.M., Anderson R.E., et al. Switzerland: Springer, 2016:465–81.