Google решил заменить офтальмологов компьютером

Глазное дно при пролиферативной диабетической ретинопатии

Clare Gilbert / Community Eye Health / Flickr

Американские и индийские ученые разработали и испытали алгоритм машинного обучения для диагностики поражения глаз при диабете по фотоснимкам глазного дна. В ходе испытаний точность диагностики превысила 90 процентов. Результаты работы опубликованы в JAMA.

Диабетическая ретинопатия (поражение сетчатки глаза в результате сахарного диабета) демонстрирует наиболее быстрые темпы распространения среди всех причин слепоты. Ей страдают до 80 процентов людей, живущих с диабетом 20 и более лет. Риску развития этого заболевания подвергаются около 415 миллионов жителей Земли. Избежать прогрессирующего ухудшения зрения и слепоты помогают только своевременные диагностика и лечение. При этом специалисты по диагностике диабетической ретинопатии не всегда доступны, особенно в бедных странах, во многих из которых заболеваемость диабетом высока.

Для потенциальной компенсации нехватки профильного медперсонала сотрудники Google и ряда других научных центров разработали алгоритм машинного обучения, представляющий собой глубокую сверточную нейросеть, оптимизированную для анализа изображений. Для ее обучения использовали почти 130 тысяч фотографий сетчатки глаза, как здоровой, так и при различных заболеваниях. Экспертизу этих снимков предварительно провели 54 квалифицированных офтальмолога, которые оценили наличие, степень и осложнения ретинопатии, а также качество съемки.

Испытания обученного алгоритма провели на двух выборках фотографий сетчатки: EyePACS-1 (9963 снимка 4997 пациентов, 7,8 процента с диабетической ретинопатией) и Messidor-2 (1748 снимков 874 пациентов, 14,6 процента с диабетической ретинопатией). Анализ этих снимков провели семь экспертов. Средние чувствительность и специфичность алгоритма при анализе этих выборок составили соответственно 90,3 и 98,1 процента и 87 и 98,5 процента. Подобные результаты соответствуют навыкам квалифицированного офтальмолога, пишут исследователи.

По их словам, работа над совершенствованием алгоритма продолжается, для чего были приглашены дополнительные специалисты по заболеваниям сетчатки. Кроме того, в настоящее время коллеги авторов работы из компании DeepMind проводят обучение алгоритма по анализу послойных 3D-визуализаций сетчатки, полученных методом оптической когерентной томографии. Впоследствии планируется объединить эти алгоритмы для расширения возможностей диагностики.

Автоматизированные методы скрининга с помощью алгоритмов машинного обучения могут помочь врачам обследовать большее число пациентов и своевременно направлять их к профильным специалистам в случае выявления ретинопатии, уверены разработчики. Они также отметили, что проводят испытания технологии в полевых условиях в разных регионах мира и ведут переговоры с регуляторными органами о проведении клинических испытаний.

Благодаря успехам машинного обучения его применение в медицине все больше интересует разработчиков по всему миру. Так, например, его успешно применили для выявления депрессии у пользователей Instagram и диагностики нейродегенеративных заболеваний по рисунку часов. Компания IBM занимается разработкой программы под кодовым названием Avicenna, в которой алгоритмы учатся распознавать заболевания на рентгеновских снимках и томограммах.

Олег Лищук