Интеллектуальные информационные системы в офтальмологии

Введение

С появлением беспилотных самолетов, автономных транспортных средств, распознавания лиц и обработки речи искусственный интеллект (ИИ) произвел заметную революцию в нашем образе жизни. Недавние исследования показывают, что ИИ обладает поразительным потенциалом, позволяющим выполнять некоторые задачи намного лучше, чем люди, особенно в области распознавания изображений. Искусственный интеллект пытались применять для расшифровки медицинских данных, и он обеспечивает необычайный прогресс в интеллектуальной диагностике. Актуальность темы работы обусловлена следующим. Поскольку старение населения стало основной демографической тенденцией во всем мире, ожидается резкое увеличение числа пациентов, страдающих глазными заболеваниями. Раннее выявление и соответствующее лечение глазных заболеваний имеют большое значение для предотвращения потери зрения и повышения качества жизни. Традиционные методы диагностики в огромной степени зависят от профессионального опыта и знаний врачей, что приводит к высокой частоте ошибочных диагнозов и огромной трате медицинских данных. Глубокая интеграция офтальмологии и искусственного интеллекта (ИИ) потенциально может революционизировать существующую схему диагностики заболеваний и оказать значительное клиническое воздействие.

Приложение

Рисунок 1 Внедрение алгоритмов искусственного интеллекта. (а) Взаимосвязь между AI, ML и DL. (б) Рабочий процесс RF. (в) Принцип SVM. (d) Принципиальная схема типичной глубокой нейронной сети [19]Список литературыArmstrong GW and Lorch AC: A(eye): A review of current applications of artificial intelligence and machine learning in ophthalmology. Int Ophthalmol Clin. 60:57–71. 2020.Bejnordi B. E., Zuidhof G., Balkenhol M., et al. Context-aware stacked convolutional neural networks for classification of breast carcinomas in whole-slide histopathology images. Journal of Medical Imaging. 2017;4(4) doi: 10.1117/1.jmi.4.4.044504.44504.Caixinha M., Nunes S. Machine learning techniques in clinical vision sciences. Current Eye Research. 2017;42(1):1–15. doi: 10.1080/02713683.2016.1175019.Catania L. J., Nicolitz E. Artificial intelligence and its applications in vision and eye care. Advances in Ophthalmology and Optometry. 2018;3(1):21–38. doi: 10.1016/j.yaoo.2018.04.001.Chiang M.F., Sommer A., Rich W.L., et al. The 2016 American Academy of Ophthalmology IRIS® Registry (Intelligent Research in Sight) database: characteristics and methods. Ophthalmology. 2018;125(8):1143–1148.Cruz Rivera, X. Liu. Guidelines for clinical trial protocols for interventions involving artificial intelligence: the SPIRIT-AI extension. BMJ, 26 (9) (Sep 2020), pp. 1351-1363, 10.1136/bmj.m3210.Esteva A., Kuprel B., Novoa R. A., et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115–118. doi: 10.1038/nature21056.G. Moraes, D.J. Fu, M. Wilson, et al. Quantitative analysis of OCT for neovascular age-related macular degeneration using deep learning. doi: 10.1016/j.ophtha.2017.08.046.G.S. Collins, K.G.M. Moons. Reporting of artificial intelligence prediction models. Lancet (London, England), 393 (10181) (Apr 20 2019), pp. 1577-1579, 10.1016/S0140-6736(19)30037-6.Gulshan V., Peng L., Coram M., et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016;316(22):p. 2402. doi: 10.1001/jama.2016.17216.H. Ibrahim, X. Liu, S.C. Rivera, et al. Reporting guidelines for clinical trials of artificial intelligence interventions: the SPIRIT-AI and CONSORT-AI guidelines. Trials, 22 (1) (Jan 6 2021), p. 11, 10.1186/s13063-020-04951-6.Kai Jin, Juan Ye, Artificial intelligence and deep learning in ophthalmology: Current status and future perspectives, Advances in Ophthalmology Practice and Research, Volume 2, Issue 3, 2022, 100078, ISSN 2667-3762, https://doi.org/10.1016/j.aopr.2022.100078.Lancet Digit Health, 3 (5) (May 2021), pp. e317-e329, 10.1016/S2589-7500(21)00055-8.Lee A., Taylor P., Kalpathy-Cramer J., Tufail A. Machine learning has arrived! Ophthalmology. 2017;124(12):1726–1728. Lee A.Y., Lee C.S., Blazes M.S., et al. Exploring a structural basis for delayed rod-mediated dark adaptation in age-related macular degeneration via deep learning. Transl Vis Sci Technol. 2020;9(2):62.Lee C.S., Owen J.P., Yanagihara R.T., et al. Smoking is associated with higher intraocular pressure regardless of glaucoma: a retrospective study of 12.5 million patients using the Intelligent Research in Sight (IRIS®) Registry. Ophthalmol Glaucoma. 2020;3(4):253–261.Lee CS, Brandt JD, Lee AY. Big Data and Artificial Intelligence in Ophthalmology: Where Are We Now? Ophthalmol Sci. 2021 Jun 25;1(2):100036. doi: 10.1016/j.xops.2021.100036. Litjens G., Kooi T., Bejnordi B. E., et al. A survey on deep learning in medical image analysis. Medical Image Analysis. 2017;42:60–88. doi: 10.1016/j.media.2017.07.005. Lu W, Tong Y, Yu Y, Xing Y, Chen C, Shen Y. Applications of Artificial Intelligence in Ophthalmology: General Overview. J Ophthalmol. 2018 Nov 19;2018:5278196. doi: 10.1155/2018/5278196.Quellec G., Charrière K., Boudi Y., Cochener B., Lamard M. Deep image mining for diabetic retinopathy screening. Medical Image Analysis. 2017;39:178–193. doi: 10.1016/j.media.2017.04.012. Rahimy E. Deep learning applications in ophthalmology. Current Opinion in Ophthalmology. 2018;29(3):254–260. doi: 10.1097/icu.0000000000000470.T.E. Tan, A. Anees, C. Chen, et al. Retinal photograph-based deep learning algorithms for myopia and a blockchain platform to facilitate artificial intelligence medical research: a retrospective multicohort study.U. Schmidt-Erfurth, W.D. Vogl, L.M. Jampol, et al. Application of automated quantification of fluid volumes to anti-VEGF therapy of neovascular age-related macular degeneration. Ophthalmology, 127 (9) (Sep 2020), pp. 1211-1219, 10.1016/j.ophtha.2020.03.010.van Ginneken B. Fifty years of computer analysis in chest imaging: rule-based, machine learning, deep learning. Radiological Physics and Technology. 2017;10(1):23–32. doi: 10.1007/s12194-017-0394-5. W. Li, Y. Yang, K. Zhang. Dense anatomical annotation of slit-lamp images improves the performance of deep learning for the diagnosis of ophthalmic disorders. Nat Biomed Eng, 4 (8) (Aug 2020), pp. 767-777, 10.1038/s41551-020-0577-y.Wang S.Y., Pershing S., Lee A.Y. AAO Taskforce on AI and AAO Medical Information Technology Committee. Big data requirements for artificial intelligence. Curr Opin Ophthalmol. 2020;31(5):318–323.Weng S. F., Reps J., Kai J., Garibaldi J. M., Qureshi N. Can machine-learning improve cardiovascular risk prediction using routine clinical data? PLoS One. 2017;12(4) doi: 10.1371/journal.pone.0174944.e174944.Y. Yan, K. Jin, Z. Gao, et al. Attention-based deep learning system for automated diagnoses of age-related macular degeneration in optical coherence tomography images. Med Phys, 48 (9) (Sep 2021), pp. 4926-4934, 10.1002/mp.15002.Yanagihara R.T., Lee C.S., Ting D.S.W., Lee A.Y. Methodological challenges of deep learning in optical coherence tomography for retinal diseases: a review. Transl Vis Sci Technol. 2020;9(2):11. Zhang G., Xue Z., Yan C., et al. A novel biomarker identification approach for gastric cancer using gene expression and DNA methylation dataset. Front Genet. 2021;12:644378.