09 Апр Искусственный интеллект как инструмент принятия клинических решений у пациентов с возрастной макулярной дегенерацией
Возрастная макулярная дегенерация (ВМД) — это хроническое прогрессирующее многофакторное заболевание, приводящее к дегенеративным изменениям в пигментном эпителии, хориокапиллярах, нейроэпителии.
На долю ВМД приходится 8,7% случаев необратимой потери зрения. Ежегодно регистрируется порядка 600 000 новых случаев этого заболевания. Несмотря на успехи, достигнутые в последние десятилетия в лечении ВМД, она остается ведущей причиной слепоты среди лиц в возрасте старше 55 лет, при этом прогнозируется рост заболеваемости ВМД в связи с увеличением продолжительности жизни населения.
В последнее время данное заболевание все чаще диагностируется у лиц трудоспособного возраста, что приводит к ранней инвалидизации.
Согласно имеющейся статистике по публикациям за последние десятилетия, подавляющее большинство клинических исследований в офтальмологии проводятся именно в области ретинальной патологии. На сегодняшний день по-прежнему актуальны вопросы причины ВМД. В развитии заболевания имеют значение следующие факторы риска: 1) старение населения (увеличение доли соматической патологии); 2) этнический фактор (ВМД чаще встречается у европейцев); 3) генетические факторы (идентифицировано около 20 генов, участвующих в причине заболевания); 4) поведенческие факторы (курение удваивает риск возникновения ВМД, диета с низким уровнем антиоксидантов, недостаток витаминов и минералов в организме); 5) факторы окружающей среды (избыточная инсоляция индуцирует окислительный стресс и повреждение ДНК клеток ретинального пигментного эпителия (РПЭ)).
Истинные механизмы патогенеза ВМД до сих пор не определены. По данным литературы, одним из наиболее важных факторов возникновения ВМД, связанных с процессом старения, является очаговое отложение бесклеточного детрита в сетчатке. Для нормального функционирования сетчатки крайне важны процессы фагоцитоза фоторецепторов клетками РПЭ. С возрастом его функция угасает. Изменения толщины фоторецепторов влияет на снижение транспорта жидкости и питательных веществ, которые крайне необходимы для нормального функционирования фоторецепторов способствуя их атрофии. Кроме того, у возрастных пациентов выявляют снижение толщины сосудов сетчатки, что приводит к потере кислорода и к росту эндотелия сосудов. Что индуцирует экспрессию фактора VEGF-А и других факторов, способствующих образованию новых неполноценных сосудов. Все эти изменения отражаются в увеличивающейся распространенности ВМД по мере старения пациентов.
Стандартом диагностики заболеваний сетчатки считается оптическая когерентная томография (ОКТ),. позволяющая быстро и бесконтактно оценивать толщину и структуру сетчатки в макулярной зоне, а также осуществлять мониторинг эффективности проводимого лечения. Получение и анализ изображений — важнейший этап диагностики и определения подходов к лечению ретинальной патологии. С помощью ОКТ можно получать послойную картину сетчатки и идентифицировать даже небольшие изменения, характерные для начальных стадий заболевания. Очевидно, что внедрение ОКТ в офтальмологическую практику вывело клиницистов на новый уровень исследования сетчатки при различной ретинальной патологии, в частности при ВМД. Однако большие достижения, как правило, влекут за собой необходимость решать новые задачи. Для оценки ретинальной структуры при ВМД среди таких задач можно выделить следующие: качественный и количественный анализ изменений, определяемых на ОКТ-изображениях, корректная морфометрическая оценка сохранности различных слоев сетчатки, точная идентификация ретинальных изменений на фоне проводимого лечения, включающая как качественный, так и количественный анализ основных клинических маркеров ВМД, и многие другие. Не вызывает сомнений, что высокие технологии в получении изображений сетчатки требуют нового уровня обработки данных изображений, намного превышающих возможности глаза человека.
Искусственный интеллект (ИИ) — научное направление, в рамках которого ставятся и решаются задачи аппаратного или программного моделирования тех видов человеческой деятельности, которые ранее считались интеллектуальными. На сегодняшний день ИИ — одна из важнейших сфер 1Т-исследований. Постепенно понимание термина «искусственный интеллект» уточнялось и изменялось. В настоящее время на базе методов ИИ создаются и развиваются различные программные продукты, главной особенностью которых является способность решать интеллектуальные задачи. Проводится большое количество исследований, которые посвящены разработке и тестированию в клинических условиях алгоритмов ИИ для диагностики ВМД. Современные алгоритмы ИИ анализируют изображения, полученные при помощи цифровых ретинальных фундус-камер, спектральных ОКТ, систем для ОКТ-ангиографии (ОКТА).
Машинное обучение (МО) — класс методов ИИ, которые используются для анализа сложных данных. Термин «машинное обучение» был впервые введен в 1959 г. инженером Артуром Сэмюэлем. Он определил этот термин как способность машин усваивать результаты, которые явно не запрограммированы. В технологии МО цель состоит в том, чтобы сгенерировать алгоритм, основанный на определенном объеме данных, введенных в компьютер, и чтобы компьютер затем использовал этот алгоритм для улучшения своих прогнозов. Методы машинного обучения подразделяются на: 1) обучение с учителем (supervised learning) — компьютеру предоставляются пары «входящие данные — исход», цель — вывести правило, связывающее эти 2 параметра; 2) обучение без учителя (unsupervised learning) — компьютеру предоставляются только входящие данные, а исход неизвестен. Существуют также комбинированные виды обучения, которые применяют различные сочетания обоих типов обучения в одной программе.
Классификация — разделение множества объектов или ситуаций на классы с помощью обучения с учителем. Классифицировать объект — значит указать номер, имя или метку класса, к которому относится данный объект.
Кластеризация (сегментация) — разделение множества объектов или ситуаций на кластеры с помощью обучения без учителя. Кластеризация (обучение без учителя) отличается от классификации (обучения с учителем) тем, что перечень групп четко не задан и определяется в процессе работы, т. е. нет заранее определенных правильных ответов. Иногда указывается общее количество кластеров, но часто алгоритм сам выбирает оптимальное количество кластеров. Результаты кластеризации применяются при нахождении новых, ранее неизвестных знаний и зависимостей в данных.
Регрессия — нахождение зависимости выходной переменной от одной или нескольких независимых входных переменных с помощью обучения с учителем.
Прогнозирование — это предсказание во времени. Прогнозирование похоже либо на регрессию, либо на классификацию в зависимости от данных задачи (непрерывные или дискретные данные), но в отличие от регрессии и классификации всегда направлено в будущее. В прогнозировании данные упорядочиваются по времени, которое является явным и ключевым параметром, а найденная зависимость экстраполируется в будущее. В прогнозировании применяются модели временных рядов.
Идентификация и классификация многими ошибочно понимаются как синонимы. Задача идентификации исторически возникла из задачи классификации, когда вместо определения класса объекта потребовалось уметь определять, обладает объект требуемым свойством или нет.
Восстановление плотности распределения признаков по их вероятности в наборе данных является центральной проблемой математической статистики. Математическая статистика решает обратные задачи: по результату эксперимента определяет свойства закона распределения. Исчерпывающей характеристикой закона распределения плотность распределения вероятностей событий.
Понижение размерности данных и их визуализация являются частным случаем кластеризации.
Построение ранговых зависимостей. Ранжирование — это процедура упорядочения объектов по степени выраженности какого-либо качества в порядке убывания этого качества. Примерами задач ранжирования являются: сортировка ОКТ сканов ретины по уменьшению выраженности патологического признака в процессе лечения.
Добыча данных (data mining), или интеллектуальный анализ данных, — совокупность методов обнаружения в данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности. В данный момент получение данных отделяется от машинного обучения в отдельную дисциплину. Интеллектуальный анализ данных и машинное обучение имеют различные цели: машинное обучение прогнозирует на основе известных свойств, полученных от обучающей выборки, а интеллектуальный анализ данных фокусируется на поиске новых, ранее неизвестных зависимостей в данных. Однако обе дисциплины используют одинаковые методы.
На сегодняшний день выделяют множество методов МО, включая дерево решений, случайный лес, обучение ассоциативным правилам, искусственные нейронные сети (ИНС), индуктивное логическое программирование, метод опорных векторов, метод ближайших соседей и многие другие. Идею нейронных сетей впервые предложили исследователи из Чикагского университета Уоррен Маккалоу и Уолтер Питтс в 1944 г. Первую обучаемую нейросеть в 1957 г. продемонстрировал психолог Корнельского университета Фрэнк Розенблатт. Она была одноуровневой. В 1980-х гг., когда появились более мощные компьютеры для вычислений, исследователи смогли разработать нейросети с 2 и 3 уровнями обучения. Однако возрождение интереса к нейронным сетям и революция в глубоком обучении произошли лишь в последние годы благодаря индустрии компьютерных игр. Современные игры требуют сложных вычислений, поэтому для обработки большого числа операций начали выпускать графические процессоры (GPU), которые объединяют тысячи относительно простых вычислительных ядер на 1 чипе. Исследователи вскоре поняли, что архитектура графического процессора очень похожа на архитектуру нейросети. Благодаря этому, появились самообучаемые нейросети, которые не требуют специальной настройки, а самостоятельно обрабатывают входящую информацию. Искусственная нейронная сеть — математическая модель, а также ее программное или аппаратное воплощение, построенные по принципу организации и функционирования биологических нейронных сетей — нервных клеток живого организма.
На сегодняшний день поражения сетчатки различного генеза выходят на первое место как причина снижения остроты зрения и необратимой слепоты во всем мире. Актуальной представляется проблема раннего выявления, лечения и прогнозирования течения и исхода ВМД. Офтальмологическая служба нуждается в быстром, экономичном, автоматическом, высокочувствительном и специфичном методе выявления патологии сетчатки. Платформы на основе искусственного интеллекта (ИИ) могут стать основой принятия клинических решений в диагностике и лечении заболеваний сетчатки в практике врача-офтальмолога.
Источник информации:
По данным официальных сайтов сети «Интернет».