Алгоритмы искусственного интеллекта для диагностики признаков диабетической ретинопатии, диабетического макулярного отека, возрастной макулярной дегенерации, аномалий витреомакулярного интерфейса

Цель. Разработка алгоритмов искусственного интеллекта для диагностики диабетической ретинопатии (ДР), диабетического макулярного отека (ДМО), возрастной макулярной дегенерации (ВМД), аномалий витреомакулярного интерфейса путем анализа сканов оптической когерентной томографии (ОКТ) и фотографий глазного дна. Материал и методы. В качестве обучающей и валидационной баз данных использовались фотографии глазного дна пациентов с ДР и ДМО и сканы ОКТ пациентов с ДМО, ВМД, аномалиями витреомакулярного интерфейса. Объем обучающих баз составил 3600 фотографий глазного дна и 10 000 сканов ОКТ, объем валидационных баз составил 400 фотографий глазного дна и 1000 сканов ОКТ. Для алгоритмов анализа фотографий глазного дна рассчитывали показатели точности, чувствительности, специфичности, AUROC для следующих структур: микроаневризмы, интраретинальные геморрагии, твердые экссудаты, мягкие экссудаты, неоваскуляризация сетчатки и диска зрительного нерва, преретинальные геморрагии, эпиретинальный фиброз, лазерные коагуляты. Для алгоритмов анализа сканов ОКТ рассчитывали указанные метрики для следующих признаков: интраретинальные кисты, субретинальная жидкость, отслойка ретинального пигментного эпителия, субретинальный гиперрефлективный материал, ретинальные друзы, эпиретинальная мембрана, сквозной макулярный разрыв, ламеллярный макулярный разрыв, витреомакулярная тракция. Результаты. Для алгоритмов анализа фотографий глазного дна точность превысила 93% для всех признаков, за исключением мягких экссудатов (88,3%) и неоваскуляризации (88,0%), чувствительность превысила 90% для всех признаков, кроме неоваскуляризации (80,2%) и эпиретинального фиброза (72,5%), специфичность превысила 91% для всех признаков, кроме микроаневризм (80,5%), твердых экссудатов (83,5%) и мягких экссудатов (88,7%), AUROC превысил 0,90 для всех признаков, кроме эпиретинального фиброза (0,88), неоваскуляризации (0,87) и преретинальных геморрагий (0,89). Для алгоритмов анализа ОКТ точность превысила 93% для всех признаков, чувствительность превысила 90% для всех признаков, кроме ламеллярного макулярного разрыва (87,22%), специфичность превысила 93% для всех признаков, AUROC превысил 0,93 для всех признаков. Заключение. Разработаны алгоритмы сегментации патологических признаков с высокими показателями точности. На основе данных алгоритмов создана офтальмологическая платформа Retina.AI, позволяющая проводить автоматизированный анализ сканов ОКТ и фотографий глазного дна и выявлять признаки ДР ДМО, ВМД, аномал