ДИАГНОСТИКА ВОЗРАСТНОЙ МАКУЛЯРНОЙ ДЕГЕНЕРАЦИИ ПРИ ПОМОЩИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Аннотация
Возрастная макулярная дегенерация – социально значимое заболевание, угрожающее центральному зрению человека. Основным методом диагностики данного заболевания является оптическая когерентная томография. В связи с ростом заболеваемости, увеличивается нагрузка на врача-офтальмолога. В данном обзоре представлены современные разработки использования искусственного интеллекта в диагностике возрастной макулярной дегенерации.
Об авторах
Р. Р. Ибрагимова
АО «Оптимедсервис»
Россия
Россия
Ибрагимова Рада Радиковна – врач-офтальмолог,
450058, г. Уфа, ул. 50 лет СССР, 8
Е. А. Лопухова
ФГБОУ ВО «Уфимский университет науки и технологий»
Россия
Россия
Лопухова Екатерина Александровна – инженер кафедры телекоммуникационных систем,
450076, г. Уфа, ул. Заки Валиди, 32
Р. В. Кутлуяров
ФГБОУ ВО «Уфимский университет науки и технологий»
Россия
Россия
Кутлуяров Руслан Владимирович – к.т.н., с.н.с., и.о. заведующего кафедрой телекоммуникационных систем, директор Школы фотоники,
450076, г. Уфа, ул. Заки Валиди, 32
Г. М. Идрисова
ФГБОУ ВО «Башкирский государственный медицинский университет» Минздрава России;
АО «Оптимедсервис»
Россия
Россия
Идрисова Гульназ Маратовна – к.м.н., ассистент кафедры офтальмологии;
врач-офтальмолог,
450008, г. Уфа, ул. Ленина, 3
Р. Т. Мухамадеева
ФГБОУ ВО «Башкирский государственный медицинский университет» Минздрава России
Россия
Россия
Мухамадеева Рената Тимуровна – студент педиатрического факультета,
450008, г. Уфа, ул. Ленина, 3
Список литературы
1. The German AugUR study: study protocol of a prospective study to investigate chronic diseases in the elderly / K. Stark [et al.] // BMC geriatrics. – 2015. – Vol. 15. – P. 1-8.
2. Treatments for dry age-related macular degeneration: therapeutic avenues, clinical trials and future directions / T.A.C. de Guimaraes [et al.] // British Journal of Ophthalmology. – 2022. – Vol. 106, № 3. – P. 297-304.
3. Либман, С.А. Слепота и инвалидность вследствие патологии в России // Офтальмология. Национальное руководство / под ред. Э. Аветисова, Е.А. Егорова, Л.К. Мошетовой, В.В.Нероева. – М., Изд-во. ‒ 2008 – С.19-31.
4. Ten-year incidence and progression of age-related maculopathy: the blue Mountains Eye Study / J. J. Wang [et al.] // Ophthalmology. – 2007. – Vol. 114. – № 1. – P. 92-98.
5. Ambati, J. Age-related eye disease study caveats / J. Ambati, B.K. Ambati // Archives of Ophthalmology. – 2002. – Vol. 120. – № 7. – P. 997-997.
6. Clinicopathologic correlation in hemorrhagic age-related macular degeneration / S. Reynders [et al.] // Graefe's archive for clinical and experimental ophthalmology. – 2002. – Vol. 240. – P. 279-285.
7. Азнабаев, Б.М. Оптическая когерентная томография + ангиография глаза в диагностике, терапии и хирургии глазных болезней/ Б.М. Азнабаев, Т.Р. Мухамадеев, Т.И. Дибаев – М.: Август Борг, 2019. – 352 с.
8. Artificial Intelligence and Its Role in the Management of Chronic Medical Conditions: A Systematic Review / S. Singareddy [et al.] // Cureus. – 2023. – Vol. 15. – №. 9.
9. Deep-learning based automated quantification of critical optical coherence tomography features in neovascular age-related macular degeneration / E. Borrelli [et al.] // Eye. – 2024. – Vol. 38, № 3. – P. 537-544.
10. Kapoor, R. Artificial intelligence and optical coherence tomography imaging / R. Kapoor, B. T. Whigham, L. A. Al-Aswad // The Asia-Pacific Journal of Ophthalmology. – 2019. – Vol. 8, № 2. – P. 187-194.
11. Application of Machine Learning and Deep Learning Models in Prostate Cancer Diagnosis Using Medical Images: A Systematic Review/ O. Olabanjo [et al.] //Analytics. – 2023. – Vol. 2, № 3. – P. 708-744.
12. Treder, M. Automated detection of exudative age-related macular degeneration in spectral domain optical coherence tomography using deep learning / M. Treder, J. L. Lauermann, N. Eter // Graefe's Archive for Clinical and Experimental Ophthalmology. – 2018. – Vol. 256, № 2. – P. 259-265.
13. Automated staging of age-related macular degeneration using optical coherence tomography / F. G. Venhuizen [et al.] //Investigative ophthalmology & visual science. – 2017. – Vol. 58, № 4. – P. 2318-2328.
14. Deep learning identify retinal nerve fibre and choroid layers as markers of age related macular degeneration in the classification of macular spectral‐domain optical coherence tomography volumes / A. O. Tvenning [et al.] // Acta Ophthalmologica. – 2022. – № 100(8). – P. 937-945.
15. Attention based deep learning system for automated diagnoses of age‐related macular degeneration in optical coherence tomography images / Y. Yan [et al.] // Medical Physics. – 2021. – Vol. 48. – № 9. – P. 4926-4934.
16. Optical coherence tomography image classification using hybrid deep learning and ant colony optimization / A. Khan [et al.] //Sensors. – 2023. – Vol. 23. – № 15. – P. 6706.
17. Does real-time artificial intelligence-based visual pathology enhancement of three-dimensional optical coherence tomography scans optimise treatment decision in patients with nAMD? Rationale and design of the RAZORBILL study / F. G. Holz [et al.] //British Journal of Ophthalmology. – 2023 Jan. ‒ Vol. 107(1). ‒ P. 96-101. doi: 10.1136/bjophthalmol-2021-319211.
18. Classifying neovascular age-related macular degeneration with a deep convolutional neural network based on optical coherence tomography images / J. Han [et al.] //Scientific Reports. – 2022. – Vol. 12, № 1. – P. 1-10.
19. SFFT-CapsNet: Stacked Fast Fourier Transform for Retina Optical Coherence Tomography Image Classification using Capsule Network/ Opoku M. [et al.] //International Journal of Advanced Computer Science and Applications. – 2023. – Vol. 14. – №9. http://dx.doi.org/10.14569/IJACSA.2023.0140932
20. Интеллектуальная система принятия решения для ранней диагностики макулярной патологии / Т.Г. Каменских [и др.] // Российский офтальмологический журнал. – 2022. – Т. 15. – № 2 (Прил). – С. 69-74.
21. Каталевская, Е.А. Алгоритм искусственного интеллекта для сегментации патологических структур на сканах оптической когерентной томографии сетчатки глаза / Е.А. Каталевская, А.Ю. Сизов, Л.И. Гилемзянова //Журнал телемедицины и электронного здравоохранения. – 2022. – Т. 8. – № 3. – С. 21-27.
22. Разработка модели глубокого машинного обучения для обнаружения биомаркеров анатомического и функционального исхода анти-VEGF-терапии на ОКТ-изображениях сетчатки / Б.Э. Малюгин [и др. ] // Офтальмохирургия. – 2022. – № 4s. – С. 77-84.
23. Нероев, В.В. Диагностика патологий сетчатки по снимкам оптической когерентной томографии с использованием инструментов искусственного интеллекта / В.В. Нероев, А.А. Брагин, О.В. Зайцева //Российский офтальмологический журнал. – 2023. – Т. 16. – № 3. – С. 47-53.
24. Признаки прогрессирования заболевания сетчатки глаза, используемые для повышения валидности системы поддержки принятия врачебных решений на основе искусственного интеллекта / А.Д. Чупров [и др.] // Современные технологии в офтальмологии. – 2023. – № 5. – С.88.
25. Disease classification of macular optical coherence tomography scans using deep learning software: validation on independent, multicenter data / K.K. Bhatia [et al.] // Retina. – 2020. – Vol. 40, № 8. – P. 1549-1557.
26. Automated detection of macular diseases by optical coherence tomography and artificial intelligence machine learning of optical coherence tomography images / S.Kuwayama [et al.] // Journal of ophthalmology. – 2019. – Vol. 2019. ‒ P. 6319581. doi: 10.1155/2019/6319581.
27. Octnet: A lightweight cnn for retinal disease classification from optical coherence tomography images / A. P. Sunija [et al.] //Computer methods and programs in biomedicine. – 2021. – Т. 200. – С. 105877.
28. Unsupervised identification of disease marker candidates in retinal OCT imaging data / P. Seeböck [et al.] // IEEE transactions on medical imaging. – 2018. – Vol. 38, № 4. – P. 1037-1047.
29. Upadhyay, P. K. Coherent convolution neural network based retinal disease detection using optical coherence tomographic images / P. K. Upadhyay, S. Rastogi, K. V. Kumar //Journal of King Saud University-Computer and Information Sciences. – 2022. – Vol. 34, № 10. – P. 9688-9695.
30. Detection of features associated with neovascular age-related macular degeneration in ethnically distinct data sets by an optical coherence tomography: trained deep learning algorithm / T.H. Rim [et al.] // British Journal of Ophthalmology. – 2021. – Vol. 105. – № 8. – P. 1133-1139.
31. Prediction of individual disease conversion in early AMD using artificial intelligence / U. Schmidt-Erfurth [et al.] //Investigative ophthalmology & visual science. – 2018. – Vol. 59, №. 8. – P. 3199-3208.
32. Characterization of drusen and hyperreflective foci as biomarkers for disease progression in age-related macular degeneration using artificial intelligence in optical coherence tomography / S.M. Waldstein [et al.] // JAMA ophthalmology. – 2020. – Vol. 138, №. 7. – P. 740-747.
33. Machine learning of the progression of intermediate age-related macular degeneration based on OCT imaging / H. Bogunović [et al.] // Investigative ophthalmology & visual science. – 2017. – Vol. 58. – №. 6. – P. BIO141-BIO150.
34. Risk Classification for Progression to Subfoveal Geographic Atrophy in Dry Age-Related Macular Degeneration Using Machine Learning–Enabled Outer Retinal Feature Extraction / K. Sarici [et al.] // Ophthalmic Surgery, Lasers and Imaging Retina. – 2022. – Vol. 53, №. 1. – P. 31-39.
35. Clinically relevant deep learning for detection and quantification of geographic atrophy from optical coherence tomography: a model development and external validation study / G. Zhang [et al.] //The Lancet Digital Health. – 2021. – Vol. 3, №. 10. – P. e665-e675.
36. A multimodal deep learning system to distinguish late stages of AMD and to compare expert vs. AI ocular biomarkers / K. A. Thakoor [et al.] //Scientific reports. – 2022. – Vol. 12, №. 1. – P. 1-11.
37. The possibility of the combination of OCT and fundus images for improving the diagnostic accuracy of deep learning for age-related macular degeneration: a preliminary experiment / T. K. Yoo [et al.] //Medical & biological engineering & computing. – 2019. – Vol. 57, №. 3. – P. 677-687.
38. OCT-based deep learning algorithm for the evaluation of treatment indication with anti-vascular endothelial growth factor medications / P. Prahs [et al.] // Graefe's Archive for Clinical and Experimental Ophthalmology. – 2018. – Vol. 256, №. 1. – P. 91-98.
39. Optical coherence tomography-based short-term effect prediction of anti-vascular endothelial growth factor treatment in neovascular age-related macular degeneration using sensitive structure guided network / X. Zhao [et al.] // Graefe's Archive for Clinical and Experimental Ophthalmology. – 2021. – Vol. 259. – №. 11. – P. 3261-3269.
40. Retinal specialist versus artificial intelligence detection of retinal fluid from OCT: age-related eye disease study 2: 10-year follow-on study / T.D.L. Keenan [et al.] // Ophthalmology. – 2021. – Vol. 128, №. 1. – P. 100-109.
41. Validation of automated artificial intelligence segmentation of optical coherence tomography images / P.M. Maloca [et al.] // PloS one. – 2019. – Vol. 14, №. 8. – P. e0220063.
Рецензия
Для цитирования:
Ибрагимова Р.Р., Лопухова Е.А., Кутлуяров Р.В., Идрисова Г.М., Мухамадеева Р.Т. ДИАГНОСТИКА ВОЗРАСТНОЙ МАКУЛЯРНОЙ ДЕГЕНЕРАЦИИ ПРИ ПОМОЩИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА. Медицинский вестник Башкортостана. 2024;19(3):92-97.
For citation:
Ibragimova R.R., Lopukhova E.A., Kutluyarov R.V., Idrisova G.M., Mukhamadeeva R.T. DIAGNOSIS OF AGE-RELATED MACULAR DEGENERATION USING ARTIFICIAL INTELLIGENCE. Bashkortostan Medical Journal. 2024;19(3):92-97. (In Russ.)
Просмотров:
48
Послать статью по эл. почте 
