Автоматизированное выявление диабетической ретинопатии и диабетического макулярного отёка на фотографиях глазного дна с использованием глубокого обучения

Цель: Представить и валидировать ансамблевый алгоритм глубокого обучения для выявления диабетической ретинопатии (ДР) и диабетического макулярного отёка (ДМО) по фотографиям глазного дна.

Методы: В ретроспективную когорту вошли 3285 пациентов, у которых было получено 8739 фотографий глазного дна. Для выявления ДР и ДМО разработан ансамблевый подход на основе нескольких усовершенствованных моделей Inception-v4. На основном наборе данных оценивали эффективность алгоритма и сравнивали её с результатами экспертов; обобщаемость модели проверяли на общедоступном наборе данных Messidor-2. Кроме того, систематически изучали влияние размера и количества входных изображений, использованных при обучении, на эффективность модели. Также анализировали взаимосвязь между временными затратами на обучение и получение прогноза и эффективностью модели.

Результаты: На основном тестовом наборе данных площадь под ROC-кривой (AUC) для выявления ДР, требующей направления к офтальмологу, составила 0,992 (95% ДИ 0,989–0,995); чувствительность — 0,925 (95% ДИ 0,916–0,936), специфичность — 0,961 (95% ДИ 0,950–0,972). У офтальмологов чувствительность варьировала от 0,845 до 0,936, а специфичность — от 0,912 до 0,971. Для выявления ДМО, требующего направления к офтальмологу, модель продемонстрировала AUC 0,994 (95% ДИ 0,992–0,996), чувствительность 0,930 (95% ДИ 0,919–0,941) и специфичность 0,971 (95% ДИ 0,965–0,978); у офтальмологов чувствительность составляла от 0,852 до 0,946, а специфичность — от 0,926 до 0,985.

Выводы: Ансамблевая модель глубокого обучения продемонстрировала высокую эффективность выявления ДР и ДМО, а также хорошую устойчивость и обобщаемость, что потенциально может способствовать поддержке и расширению программ скрининга ДР и ДМО.