Повышение точности автоматизированного выявления диабетической ретинопатии в общедоступном наборе данных за счёт интеграции глубокого обучения

Цель: Сравнить эффективность алгоритма автоматизированного выявления диабетической ретинопатии (ДР) с поддержкой глубокого обучения с ранее опубликованными результатами работы этого алгоритма — программы Iowa Detection Program (IDP), не использующей компоненты глубокого обучения, — на том же общедоступном наборе изображений глазного дна и с тем же ранее описанным согласованным эталонным стандартом, установленным тремя сертифицированными Советом США специалистами по заболеваниям сетчатки.

Методы: Использовали ранее описанный согласованный эталонный стандарт ДР, требующей направления к офтальмологу (rDR), под которой понимали умеренную и тяжёлую непролиферативную ДР (НПДР), пролиферативную ДР и/или макулярный отёк (МО) согласно Международной клинической классификации диабетической ретинопатии. Изображения Messidor-2 и данные трёх специалистов по заболеваниям сетчатки, установивших эталонный стандарт для Messidor-2, не использовали при обучении версии X2.1 системы IDx-DR. Рассчитывали чувствительность, специфичность, отрицательную прогностическую ценность, площадь под кривой (AUC) и 95% доверительные интервалы (ДИ).

Результаты: Чувствительность составила 96,8% (95% ДИ 93,3–98,8%), специфичность — 87,0% (95% ДИ 84,2–89,4%); было выявлено 6 из 874 ложноотрицательных результатов, а отрицательная прогностическая ценность составила 99,0% (95% ДИ 97,8–99,6%). Ни один случай тяжёлой НПДР, пролиферативной ДР или МО не был пропущен. Площадь под кривой составила 0,980 (95% ДИ 0,968–0,992). Чувствительность статистически не отличалась от опубликованной чувствительности IDP (95% ДИ 94,4–99,3%), однако специфичность была значимо выше опубликованной специфичности IDP (95% ДИ 55,7–63,0%).

Выводы: Алгоритм автоматизированного выявления ДР с поддержкой глубокого обучения демонстрирует значимо более высокую эффективность, чем ранее описанный практически идентичный алгоритм, не использующий глубокое обучение. Алгоритмы с поддержкой глубокого обучения способны повысить эффективность скрининга ДР и тем самым предотвращать потерю зрения и слепоту вследствие этого тяжёлого заболевания.