Анализ переднего сегмента при подозрении на первичное закрытие угла с использованием моделей глубокого обучения

Цель: Изучить анатомические особенности конфигурации передней камеры у пациентов с подозрением на первичное закрытие угла (PACS) и создать диагностическую систему на основе искусственного интеллекта (ИИ) для скрининга PACS.

Методы: В это поперечное исследование включили 1668 снимков 839 пациентов. Участников разделили на две группы: группу PACS и контрольную группу. С помощью оптической когерентной томографии переднего сегмента сравнили анатомические различия между группами и выделили особенности строения переднего сегмента, характерные для PACS. Затем создали диагностическую систему на основе ИИ с использованием различных алгоритмов: дерева классификации и регрессии (CART), случайного леса (RF), логистической регрессии (LR), VGG-16 и AlexNet. Оценили диагностическую эффективность разных алгоритмов и сравнили ее с результатами младших врачей и опытных офтальмологов.

Результаты: Случайный лес [чувствительность = 0,84; специфичность = 0,92; прогностическая ценность положительного результата = 0,82; прогностическая ценность отрицательного результата = 0,95; площадь под ROC-кривой (AUC) = 0,90] и CART (чувствительность = 0,76; специфичность = 0,93; прогностическая ценность положительного результата = 0,85; прогностическая ценность отрицательного результата = 0,92; AUC = 0,90) показали лучшие результаты, чем логистическая регрессия (чувствительность = 0,68; специфичность = 0,91; прогностическая ценность положительного результата = 0,79; прогностическая ценность отрицательного результата = 0,90; AUC = 0,86). Среди сверточных нейронных сетей AlexNet (чувствительность = 0,83; специфичность = 0,95; прогностическая ценность положительного результата = 0,92; прогностическая ценность отрицательного результата = 0,87; AUC = 0,85) превосходила VGG-16 (чувствительность = 0,84; специфичность = 0,90; прогностическая ценность положительного результата = 0,85; прогностическая ценность отрицательного результата = 0,90; AUC = 0,79). Две сверточные нейронные сети показали лучшие результаты, чем пять младших врачей, а средние значения диагностических показателей для этих сетей были сопоставимы с показателями опытных офтальмологов.

Выводы: У пациентов с PACS имеются характерные анатомические особенности по сравнению со здоровыми лицами контрольной группы. Модели ИИ надежны и эффективны для скрининга PACS, а их результаты сопоставимы с результатами опытных офтальмологов.