Виявлення діабетичної ретинопатії за допомогою програмної платформи на основі штучного інтелекту (пілотне дослідження)
DOI:
https://doi.org/10.31288/oftalmolzh202412731Ключові слова:
цукровий діабет, діабетична ретинопатія, штучний інтелект, діагностикаАнотація
Мета – вивчити можливість виявлення діабетичної ретинопатії (ДР) за допомогою програмної платформи на основі штучного інтелекту (ШІ) Retina-AICheckEye ©.
Матеріал та методи. Відкрите, проспективне, пілотне, контрольоване, обсерваційне дослідження щодо виявлення ДР за допомогою програмної платформи на основі ШІ проводили в стаціонарних пунктах на базі закладів охорони здоров’я Чернівецької області. У дослідженні брали участь 408 пацієнтів із цукровим діабетом і 256 осіб без цукрового діабету (контрольна група).У всіх випадках проаналізовано фотозображення очного дна за допомогою програмної платформи на основі ШІ Retina-AI CheckEye ©. За допомогою ROC-аналізу визначена точність методу діагностики ДР.
Результати. Ознаки ДР (на одному або на обох очах) за допомогою програмної платформи на основі ШІ встановлено в 143 осіб із цукровим діабетом (22% від загальної кількості учасників 664 особи (1328 очей) і 35% від хворих на цукровий діабет). Ознак ДР за допомогою ШІ не виявлено в 322 осіб (48% від загальної кількості учасників). У 199 осіб (30% від загальної кількості учасників) отримати результат не вдалося через особливості оптичних середовищ, наявність певних очних захворювань, насамперед катаракти на одному з досліджених очей. Точність методики (чутливість) становила 93% у виявленні наявності ДР, 86% точності (специфічності) у визначенні відсутності ДР, за даними ROC-аналізу.
Висновки. Уперше в Україні розроблена програмна платформа на основі штучного інтелекту Retina-AICheckEye©, яка дає змогу з високою точністю (93% ‒ чутливість, 86% ‒ специфічність тесту) діагностувати наявність ДР у пацієнтів із цукровим діабетом і може використовуватися для масового скринінгу захворювання.
Посилання
Sun H, Saeedi P, Karuranga S, et al. IDF Diabetes Atlas: Global, regional and country-level diabetes prevalence estimates for 2021 and projections for 2045. Diabetes Res Clin Pract. 2022 Jan:183:109119. https://doi.org/10.1016/j.diabres.2021.109119
Alessi J, Yankiv M. War in Ukraine and barriers to diabetes care. Lancet. 2022 Apr 16;399(10334):1465-1466. https://doi.org/10.1016/S0140-6736(22)00480-9
Gale R, Scanlon PH, Evans M et al. Action on diabetic macular oedema: achieving optimal patient management in treating visual impairment due to diabetic eye disease. Eye. 2017;31(1):1-20. https://doi.org/10.1038/eye.2017.53
Jones LD, Golan D, Hanna SA, Ramachandran M. Artificial intelligence, machine learning and the evolution of healthcare: A bright future or cause for concern? Bone Joint Res. 2018;7(3):223-225. https://doi.org/10.1302/2046-3758.73.BJR-2017-0147.R1
Abràmoff MD, Folk JC, Han DP, Walker JD, Williams DF, Russell SR, et al. Automated analysis of retinal images for detection of referable diabetic retinopathy. JAMA Ophthalmol. 2013;131(3):351-7. https://doi.org/10.1001/jamaophthalmol.2013.1743
Hsieh YT, Chuang LM, Jiang YD, Chang TJ, Chan LW, Kao TY, et al. Application of deep learning image assessment software VeriSeeTM for diabetic retinopathy screening. J Formos Med Assoc. 2021;120(1):165-71. https://doi.org/10.1016/j.jfma.2020.03.024
Hansen MB, Abràmoff MD, Folk JC, Mathenge W, Bastawrous A, Peto T. Results of automated retinal image analysis for detection of diabetic retinopathy from the Nakuru study, Kenya. PLoS One. 2015;10(10):e0139148. https://doi.org/10.1371/journal.pone.0139148
Bejnordi BE, Zuidhof G, Balkenhol M et al. Context- aware stacked convolutional neural networks for classification of breast carcinomas in whole-slide histopathology images. J Med Imaging (Bellingham). 2017;4(4):е44504. https://doi.org/10.1117/1.JMI.4.4.044504
Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau H M, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115-118. https://doi.org/10.1038/nature21056
Weng SF, Reps J, Kai J, Garibaldi JM, Qureshi N. Can machine-learning improve cardiovascular risk prediction using routine clinical data. PLoS One. 2017;12(4):e174944. https://doi.org/10.1371/journal.pone.0174944
Van Ginneken B. Fifty years of computer analysis in chest imaging: rule-based, machine learning, deep learning. Radiol Phys Technol. 2017;10:23-32. https://doi.org/10.1007/s12194-017-0394-5
Shimizu E, Tanji M, Nakayama S, et al. AI-based diagnosis of nuclear cataract from slit-lamp videos. Sci Rep. 2023 Dec 12;13(1):22046.
https://doi.org/10.1038/s41598-023-49563-7
Kapoor R, Whigham BT, Al-Aswad LA. The Role of Artificial Intelligence in the Diagnosis and Management of Glaucoma. Curr Ophthalmol Rep. 2019;7(2):136-142. https://doi.org/10.1007/s40135-019-00209-w
Cheung R, Chun J, Sheidow T et al. Diagnostic accuracy of current machine learning classifiers for age-related macular degeneration: a systematic review and meta-analysis. Eye (Lond). 2022 May;36(5):994-1004. Epub 2021 May 6. https://doi.org/10.1038/s41433-021-01540-y
Lee SY, Ting DSW, Cheung CYL 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. https://doi.org/10.1001/jama.2017.18152
Lee AY, Yanagihara RT, Leе CS, Jung HC, Chee YE, Gencarella MD, et al. Multicenter, Head-to-Head, Real-World Validation Study of Seven Automated Artificial Intelligence Diabetic Retinopathy Screening Systems. Diabetes Care. 2021;44(5):1168-75. https://doi.org/10.2337/dc20-1877
Caixinha M, Nunes S. Machine learning techniques in clinical vision sciences. Current Eye Research. 2017;42(1):1-15. https://doi.org/10.1080/02713683.2016.1175019
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 Digit Med. 2018;1:39. https://doi.org/10.1038/s41746-018-0040-6
Lee AY, Yanagihara RT, Lee CS, Blazes M, Jung HC, Gencarella MD et al. Multicenter, Head-to-Head, Real-World Validation Study of Seven Automated Artificial Intelligence Diabetic Retinopathy Screening Systems. Diabetes Care. 2021;44(5):1168-1175 https://doi.org/10.2337/dc20-1877
Rahimy E. Deep learning applications in ophthalmology. Curr Opin Ophthalmol. 2018;29(3):254-60. https://doi.org/10.1097/ICU.0000000000000470
Weiss S, Kulikowski CA, Safir A. Glaucoma consultation by computer. Comput Biol Med. 1978;8(1):2540. https://doi.org/10.1016/0010-4825(78)90011-2. https://doi.org/10.1016/0010-4825(78)90011-2
Abràmoff MD, Lou Y, Erginay A, Clarida W, Amelon R, Folk JC, et al. Improved automated detection of diabetic retinopathy on a publicly available dataset through integration of deep learning. Invest Ophthalmol Vis Sci. 2016;57:5200-6. https://doi.org/10.1167/iovs.16-19964
Copeland J. Artificial intelligence: A philosophical introduction. John Wiley & Sons: Oxford: Blackwell Publishers Ltd. 1993.
Hashimoto DA, Rosman G, Rus D, Meireles O R. Artificial Intelligence in Surgery: Promises and Perils. Ann. Surg. 2018;268(1):70. https://doi.org/10.1097/SLA.0000000000002693
Wewetzer L, Held LA, Steinhäuser J. Diagnostic performance of deep-learning-based screening methods for diabetic retinopathy in primary care - a meta-analysis. PLoS One. 202116(8):e0255034. https://doi.org/10.1371/journal.pone.0255034
Grzybowski A, Brona P. Approval and Certification of Ophthalmic AI Devices in the European Union. Ophthalmology and Therapy.2023;12(2):1-6. https://doi.org/10.1007/s40123-023-00652-w
Cuadros J, Bresnick, G. EyePACS: an adaptable telemedicine system for diabetic retinopathy screening. J Diabetes Sci Technol. 2009;3(3):509-16. https://doi.org/10.1177/193229680900300315
Cuadros J, Sim I. EyePACS: an open source clinical communication system for eye care. MEDINFO 2004. 2004;107:207-11. DOI: 10.3233/978-1-60750-949-3-207.
Grałek M, Niwald A. Application of artificial intelligence in pediatric ophthalmic practice. Klin Oczna. 2021; 123 (2): 65-68. https://doi.org/10.5114/ko.2021.107768
Solanki K, Ramachandra C, Bhat S, Bhaskaranand M, Nittala MG, Sadda SR. EyeArt: automated, high-throughput, image analysis for diabetic retinopathy screening. Invest Ophthalmol Vis Sci. 2015;56(7):1429.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Невська А. О., Погосян О. А., Гончарук К. О., Софіна Д. В., Черненко О. О., Тронько К. М., Кожан Н. Є., Король А. Р.
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International (CC BY). Ця ліцензія дозволяє повторно використовувати, поширювати, переробляти, адаптувати та будувати на основі матеріалу на будь-якому носії або в будь-якому форматі за умови обов'язкового посилання на авторів робіт і первинну публікацію у цьому журналі. Ліцензія дозволяє комерційне використання.
ПОЛОЖЕННЯ ПРО АВТОРСЬКІ ПРАВА
Автори, які подають матеріали до цього журналу, погоджуються з наступними положеннями:
- Автори отримують право на авторство своєї роботи одразу після її публікації та назавжди зберігають це право за собою без жодних обмежень.
- Дата початку дії авторського права на статтю відповідає даті публікації випуску, до якого вона включена.
ПОЛІТИКА ДЕПОНУВАННЯ
- Редакція журналу заохочує розміщення авторами рукопису статті в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах), оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності і динаміці цитування.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження статті у тому вигляді, в якому вона була опублікована цим журналом за умови збереження посилання на первинну публікацію у цьому журналі.
- Дозволяється самоархівування постпринтів (версій рукописів, схвалених до друку в процесі рецензування) під час їх редакційного опрацювання або опублікованих видавцем PDF-версій.
- Самоархівування препринтів (версій рукописів до рецензування) не дозволяється.
