АВТОМАТИЗИРОВАННАЯ ДИАГНОСТИКА ДИАБЕТИЧЕСКОЙ РЕТИНОПАТИИ (обзор)
DOI:
https://doi.org/10.57231/j.ao.2024.8.2.002Ключевые слова:
диабетическая ретинопатия, искусственный интеллект, скрининговые программы, угрожаю- щие зрению стадии, алгоритм глубокого обученияАннотация
Актуальность. Диабетическая ретинопатия (ДР) является одним из грозных осложнений сахарного диабета (СД). При несвоевременной диагностике и неадекватном лечении ДР может привести к потере зрения вследствие таких осложнений, как гемофтальм и отслойка сетчатки. Цель исследования. Целью данной работы явилось изучение эволюции автоматизированной диагностики диабетической ретинопатии, начиная от визуализации и автоматической сегментации изображений глазного дна до диагностики стадий ДР, с помощью алгоритмов глубокого обучения в программах искусственного интеллекта. Материалы и методы. Поиск опубликованных работ в PubMed, ScienceDirect и подобных поисковых системах исследований, с 2006 по 2023 год, с использованием комбинации ключевых слов в медицинской сфере (офтальмология, диабетическая ретинопатия, скрининг) и в области машинного обучения (искусственный интеллект, глубокое обучение, нейронная связь), позволил нам выявить 160 публикаций, анализ которых нами проведен. Статья сформирована путем последовательного анализа различных компьютерных программ по мере их усложнения. Результаты и заключение. Стремительно разрабатываемые в последние годы программы искусственного интеллекта, успешно используются для диагностики нарушений зрения при ДР. Программы искусственного интеллекта продемонстрировали чувствительность в диапазоне 82–99,1% и специфичность в диапазоне 63–90% при выявлении ДР, резко снижающей зрение. Программы искусственного интеллекта, несомненно, помогут врачам своевременно диагностировать ДР, даже в начальных стадиях ее развития. Программы скрининга с ИИ помогут охватить население в труднодоступных, густонаселенных районах, не затрачивая при этом особых финансовых средств. Авторы надеются, что подобные программы, использующие искусственный интеллект для диагностики ДР, станут доступным способом диагностики осложнений у пациентов с сахарным диабетом в стране.
Библиографические ссылки
Kangilbaeva G, Bakhritdinova F, Nabieva I, Jurabekova A. Eye hemodynamic data and biochemical parameters of the lacrimal fluid of patients with non-proliferative diabetic retinopathy. Data in Brief, 2020; Volume 32: 106237. CrossrefHYPERLINK https://doi.org/10.1016/j.dib.2020.106237 https://pubmed.ncbi.nlm.nih.gov/32923547/
Bakhritdinova FA, Kangilbaeva GE, Nabieva IF, Jurabekova AZ. Prediction of the progression of diabetic retinopathy based on hemodynamic data. J. ophthalmol (Ukraine). 2021;4:26-31. Available:http://doi.org/10.31288/oftalmolzh202142631
Kangilbaeva G, Bakhritdinova F, Urmanova F. Assessing the Dynamics of Antioxidant Protection of Tear Fluid and Retrobulbar Blood Circulation in Diabetic Retinopathy. New Horizons in Medicine and Medical Research, 2022;(4):83–90. https://doi.org/10.9734/bpi/nhmmr/v4/2000B
C. Martinez-Perez, C. Alvarez-Peregrina, C. Villa-Collar, M.A. Sanchez -Tena. Artificial intelligence applied to ophthalmology and optometry: A citation network analysis. Journal of Optometry, 2022 (15): 582-590. https://doi.org/10.1016/j.optom.2022.06.005
Poly TN, Islam MM, Walther BA, Lin MC, Jack Li YC. Artificial intelligence in diabetic retinopathy: Bibliometric analysis. Comput Methods Programs Biomed. 2023;231:107358. doi: 10.1016/j.cmpb.2023.107358. https://pubmed.ncbi.nlm.nih.gov/36731310/
Oganov AC, Seddon I, Jabbehdari S, Uner OE, Fonoudi H, Yazdanpanah G, Outani O, Arevalo JF. Artificial intelligence in retinal image analysis: Development, advances, and challenges. Surv Ophthalmol. 2023;68(5):905-919. doi: 10.1016/j.survophthal.2023.04.001.
Yangieva N.R., Tuychibaeva S.S., Agzamova S.S. Current state of the issue on the problem of morbidity and disability in ophthalmopathology. Advanced ophthalmology. 2023; 5(5): 77-83. DOI: https://doi.org/10.57231/j.ao.2023.5.5.014
Tuychibaeva D. Epidemiological and clinical-functional aspects of the combined course of age-related macular degeneration and primary glaucoma. J.ophthalmol. (Ukraine). 2023;3:3-8. https://doi.org/10.31288/oftalmolzh2023338
Pieczynski J, Kuklo P, Grzybowski A. The Role of Telemedicine, In-Home Testing and Artificial Intelligence to Alleviate an Increasingly Burdened Healthcare System: Diabetic Retinopathy. Ophthalmol Ther. 2021;10(3):445-464. doi: 10.1007/s40123-021-00353-2.
Wintergerst MWM, Mishra DK, Hartmann L, Shah P, Konana VK, Sagar P, Berger M, Murali K, Holz FG, Shanmugam MP, Finger RP. Diabetic Retinopathy Screening Using Smartphone-Based Fundus Imaging in India. Ophthalmology. 2020;127(11):1529-1538. doi: 10.1016/j.ophtha.2020.05.025.
Son J, Shin JY, Kim HD, Jung KH, Park KH, Park SJ. Development and Validation of Deep Learning Models for Screening Multiple Abnormal Findings in Retinal Fundus Images. Ophthalmology. 2020;127(1):85-94. doi: 10.1016/j.ophtha.2019.05.029.
Akram MU, Akbar S, Hassan T, Khawaja SG, Yasin U, Basit I. Data on fundus images for vessels segmentation, detection of hypertensive retinopathy, diabetic retinopathy and papilledema. Data Brief. 2020 Feb 24;29:105282. doi: 10.1016/j.dib.2020.105282.
Akbar S, Hassan T, Akram MU, Yasin UU, Basit I. AVRDB: Annotated Dataset for Vessel Segmentation and Calculation of Arteriovenous Ratio. Int'l Conf. IP, Comp. Vision, and Pattern Recognition | IPCV'17 | https://www.researchgate.net/publication/319165214.
Kahai P, Namuduri KR, Thompson H. A decision support framework for automated screening of diabetic retinopathy. Int J Biomed Imaging. 2006;2006:45806. doi: 10.1155/IJBI/2006/45806.
Bouhaimed M, Gibbins R, Owens D. Automated detection of diabetic retinopathy: results of a screening study. Diabetes Technol Ther. 2008;10(2):142-8. doi: 10.1089/dia.2007.0239.
Raman R, Srinivasan S, Virmani S, Sivaprasad S, Rao C, Rajalakshmi R. Fundus photograph-based deep learning algorithms in detecting diabetic retinopathy. Eye (Lond). 2019;33(1):97-109. doi: 10.1038/s41433-018-0269-y.
Abràmoff MD, Niemeijer M, Suttorp-Schulten MSA, Viergever MA, Russell SR, Ginneken Bvan. Evaluation of a system for automatic detection of diabetic retinopathy from color fundus photographs in a large population of patients with diabetes. Diabetes Care. 2008;31:193–8.
Abràmoff MD, Folk JC, Han DP, Walker JD, Williams DF, Russell SR, et al. Automated analysis of retinal images for detection of referable diabetic retinopathy. JAMA Ophthalmol. 2013;131:351–7.
Брежнева А.Н. Методы и алгоритмы морфологического анализа изображений в автоматизированной системе диагностики диабетической ретинопатии. Dissertation, 2012. [Brezhneva A.N. Methods and algorithms for morphological image analysis in an automated diagnostic system for diabetic retinopathy. Dissertation, 2012. (In Russ.)] disserCat
Xu Y, Wang Y, Liu B, Tang L, Lv L, Ke X, Ling S, Lu L, Zou H. The diagnostic accuracy of an intelligent and automated fundus disease image assessment system with lesion quantitative function (SmartEye) in diabetic patients. BMC Ophthalmol. 2019 Aug 14;19(1):184. doi: 10.1186/s12886-019-1196-9.
Joshi GD, Sivaswamy J. DrishtiCare: a telescreening platform for diabetic retinopathy powered with fundus image analysis. J Diabetes Sci Technol. 2011 Jan 1;5(1):23-31. doi: 10.1177/193229681100500104.
Saha SK, Fernando B, Cuadros J, Xiao D, Kanagasingam Y. Automated Quality Assessment of Colour Fundus Images for Diabetic Retinopathy Screening in Telemedicine. J Digit Imaging. 2018 Dec;31(6):869-878. doi: 10.1007/s10278-018-0084-9.
Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA—Journal of the American Medical Association. 2016;316(22):2402–2410.https://doi.org/10. 1001/jama.2016.17216
Rajalakshmi R, Subashini R, Anjana RM, Mohan V. Automated diabetic retinopathy detection in smartphone-based fundus photography using artificial intelligence. Eye (Lond). 2018;32(6):1138-1144. doi: 10.1038/s41433-018-0064-9.
Neroev VV, Bragin AA, Zaitseva OV. Development of a prototype service for the diagnosis of diabetic retinopathy based on fundus images using artificial intelligence methods. National Health. 2021;2(2):64–72. https://doi.org/10.47093/2713-069X.2021.2.2.64-72
Serener A, Serte S. Geographic variation and ethnicity in diabetic retinopathy detection via deep learning. Turk J Elec Eng & Comp Sci. 2020;28:664 – 678. doi:10.3906/elk-1902-131.
Katada Y, Ozawa N, Masayoshi K, Ofuji Y, Tsubota K, Kurihara T. Automatic screening for diabetic retinopathy in interracial fundus images using artificial intelligence. Intelligence-Based Medicine. 2020;3-4: 100024. https://doi.org/10.1016/j.ibmed.2020.100024
Chawla H, Hicks CP, Assi L, Epling JP, Al-Dujaili LJ, Weiss JS. Prevalence of glaucomatous-appearing discs in patients undergoing artificial intelligence screening for diabetic retinopathy. JFO Open Opthalmology, 2023;3:100037. http://doi.org/10.1016/j.jfop.2023.100037
Lim JI, Regillo CD, Sadda SR, Ipp E, Bhaskaranand M, Ramachandra C, Solanki K. Artificial Intelligence Detection of Diabetic Retinopathy: Subgroup Comparison of the EyeArt System with Ophthalmologists' Dilated Examinations. Ophthalmol Sci. 2022;3(1):100228. doi: 10.1016/j.xops.2022.100228.
Mathenge W, Whitestone N, Nkurikiye J, Patnaik JL, Piyasena P, Uwaliraye P, Lanouette G, Kahook MY, Cherwek DH, Congdon N, Jaccard N. Impact of Artificial Intelligence Assessment of Diabetic Retinopathy on Referral Service Uptake in a Low-Resource Setting: The RAIDERS Randomized Trial. Ophthalmol Sci. 2022 Apr 30;2(4):100168. doi: 10.1016/j.xops.2022.100168.
Mehra AA, Softing A, Guner MK, Hodge DO, Barkmeier AJ. Diabetic Retinopathy Telemedicine Outcomes With Artificial Intelligence-Based Image Analysis, Reflex Dilation, and Image Overread. Am J Ophthalmol. 2022;244:125-132. doi: 10.1016/j.ajo.2022.08.008.
Pei X, Yao X, Yang Y, Zhang H, Xia M, Huang R, Wang Y, Li Z. Efficacy of artificial intelligence-based screening for diabetic retinopathy in type 2 diabetes mellitus patients. Diabetes Res Clin Pract. 2022;184:109190. doi: 10.1016/j.diabres.2022.109190.
Quellec G, Al Hajj H, Lamard M, Conze PH, Massin P, Cochener B. ExplAIn: Explanatory artificial intelligence for diabetic retinopathy diagnosis. Med Image Anal. 2021;72:102118. doi: 10.1016/j.media.2021.102118.
Ruamviboonsuk P, Tiwari R, Sayres R, et al. Real-time diabetic retinopathy screening by deep learning in a multisite national screening programme: a prospective interventional cohort study. Lancet Digit Health 2022; 2022;4(4): e235-e244 https://doi.org/10.1016/S2589-7500(22)00017-6.
Xie Y, Nguyen QD, Hamzah H, Lim G, Bellemo V, at al. Artificial intelligence for teleophthalmology-based diabetic retinopathy screening in a national programme: an economic analysis modelling study. Lancet Digit Health. 2020;2(5):e240-e249. doi: 10.1016/S2589-7500(20)30060-1.
Hayati M, et al. Impact of CLAHE-based image enhancement for diabetic retinopathy classification through deep learning. Procedia Comput Sci 2023; 216: 57–66. https://doi.org/10.1016/j.procs.2022.12.111
Monteiro FC. Diabetic Retinopathy Grading using Blended Deep Learning. Procedia Computer Science, 2023;219:1097-1104. ISSN 1877-0509, https://doi.org/10.1016/j.procs.2023.01.389.
Габараев Г.М., Пономарева Е.Н., Лоскутов И.А., Каталевская Е.А., Хабазова М.Р. Клиническая валидация программы диагностики угрожающей зрению диабетической ретинопатии на основе алгоритмов автоматической сегментации. Офтальмология. 2023;20(2):291-297. [Gabaraev GM, Ponomareva EN, Loskutov IA, Katalevskaya EA, Khabazova MR. Clinical Validation of a Program for Diagnosing Vision-Threatening Diabetic Retinopathy Based on Automatic Segmentation Algorithms. Ophthalmology in Russia 2023;20(2):291-297. (In Russ.)] https://doi.org/10.18008/1816-5095-2023-2-291-297
Kangilbaeva G, Jurabekova A. Effect of EGb 761 (Tanakan)Therapy in Eyes with Nonproliferative Diabetic Retinopathy. International Journal of Pharmaceutical Research. 2020. Vol 12. SupplementaryIssue 2:3019-3023. https://doi.org/10.31838/ijpr/2020.SP2.317 Crossref
Kangilbaeva, G., Bakhritdinova, F., Oralov, B., Jurabekova, A. Functional and Hemodynamic Efficacy of Non-Poliferative Diabetic Retinopathy Treatment by Endonasal Electrophoresis of Tanakan. Ophthalmol. Res. Int. J. 2023; 18(1): 1-9. https://doi.org/10.9734/or/2023/v18i1374
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Бахритдинова Ф. А., Кангилбаева Г. Э., Урманова Ф. М., Набиева И. Ф., Журабекова А. З.
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.