Искусственный интеллект и нейросети в диагностике глаукомы
https://doi.org/10.53432/2078-4104-2023-22-1-115-128
Аннотация
Одной из важнейших проблем офтальмологии является ранняя диагностика глаукомы и объективный анализ данных инструментальных исследований. Современный этап развития технологий позволяет применить возможности искусственного интеллекта и нейросетей в диагностике и лечении глаукомы. Так, специальное программное обеспечение позволяет выполнять периметрию с помощью портативных устройств, что снижает нагрузку на лечебные учреждения и удешевляет исследование. Математические модели позволяют оценить риск прогрессирования заболевания на основе данных исследований. Искусственный интеллект позволяет оценить результат выполнения тонометрии по Гольдману и Маклакову и определить наличие прогрессирования по серии как двумерных, так и трехмерных данных (сканы диска зрительного нерва, статическая периметрия и т.д.) как поодиночке, так и при комплексной оценке данных с различных приборов.
Об авторах
Д. А. Дорофеев
ГАУЗ ГКБ No2, поликлиника №1
Россия
Россия
Дорофеев Дмитрий Александрович - врач-офтальмолог, руководитель городского глаукомного кабинета.
454090, Российская Федерация, Челябинск, ул. Российская, 200
С. Ю Казанова
ГБКУЗ ЯО «Центральная городская больница»
Россия
Россия
Заведующая офтальмологическим консультативно-диагностическим отделением №1 (глаукомное отделение).
150040, Российская Федерация, Ярославль, пр. Октября, 52
А. Б. Мовсисян
ГБУЗ «Госпиталь для ветеранов войн №2 ДЗМ»; ФКУ «ЦВКГ им. П.В. Мандрыка» Минобороны России
Россия
Россия
Врач-офтальмолог; аспирант, ассистент кафедры офтальмологии.
109472, Российская Федерация, Москва, Волгоградский пр-т, 168
107014, Российская Федерация, Москва, ул. Большая Оленья, 8a
Р. П. Полева
ФГБНУ «НИИГБ им. М.М. Краснова»
Россия
Россия
К.м.н., старший научный сотрудник отдела современных методов лечения в офтальмологии.
119021, Российская Федерация, Москва, ул. Россолимо, 11А, Б.
Список литературы
1. Wiggs JL. Glaucoma Genes and Mechanisms. Prog Mol Biol Transl Sci 2015; 134:315-342. https://doi.org/10.1016/BS.PMBTS.2015.04.008
2. Burdon KP, Mitchell P, Lee A, et al. Association of open-angle glaucoma loci with incident glaucoma in the Blue Mountains Eye Study. Am J Ophthalmol 2015; 159(1):31-36.e1. https://doi.org/10.1016/J.AJO.2014.09.020
3. Normando EM, Yap TE, Maddison J, et al. A CNN-aided method to predict glaucoma progression using DARC (Detection of Apoptosing Retinal Cells). Expert Review of Molecular Diagnostics 2020; 20(7):737-748. https://doi.org/10.1080/14737159.2020.1758067
4. Corazza P, Maddison J, Bonetti P, et al. Predicting wet age-related macular degeneration (AMD) using DARC (detecting apoptosing retinal cells) AI (artificial intelligence) technology. Expert Review of Molecular Diagnostics 2021;21(1):109-118. https://doi.org/10.1080/14737159.2020.1865806
5. Ichhpujani P, Thakur S, Sahi RK, Kumar S. Validating tablet perimetry against standard Humphrey Visual Field Analyzer for glaucoma screening in Indian population. Indian Journal of Ophthalmology 2021; 69(1):87.
6. https://doi.org/10.4103/IJO.IJO_1847_19
7. Prea SM, Kong GYX, Guymer RH, Vingrys AJ. Uptake, Persistence, and Performance of Weekly Home Monitoring of Visual Field in a Large Cohort of Patients With Glaucoma. Am J Ophthalmol 2021; 223:286-295. https://doi.org/10.1016/J.AJO.2020.10.023
8. Jones PR, Lindfield D, Crabb DP. Using an open-source tablet perimeter (Eyecatcher) as a rapid triage measure for glaucoma clinic waiting areas. The British Journal of Ophthalmology 2021; 105(5):681. https://doi.org/10.1136/BJOPHTHALMOL-2020-316018
9. Pradhan ZS, Sircar T, Agrawal H, et al. Comparison of the Performance of a Novel, Smartphone-based, Head-mounted Perimeter (GearVision) With the Humphrey Field Analyzer. J Glaucoma 2021; 30(4):E146-E152. https://doi.org/10.1097/IJG.0000000000001797
10. Mees L, Upadhyaya S, Kumar P, et al. Validation of a Head-mounted Virtual Reality Visual Field Screening Device. J Glaucoma 2020; 29(2):86-91. https://doi.org/10.1097/IJG.0000000000001415
11. Kimura T, Matsumoto C, Nomoto H. Comparison of head-mounted perimeter (imo®) and Humphrey Field Analyzer. Clinical Ophthalmology (Auckland, NZ) 2019; 13:501. https://doi.org/10.2147/OPTH.S190995
12. Hodapp E a, Parrish RKI, Anderson DR. Clinical Decisions in Glaucoma. St Louis: The CV Mosby Co; 1993.
13. Kumar H, Thulasidas M. Comparison of Perimetric Outcomes from Melbourne Rapid Fields Tablet Perimeter Software and Humphrey Field Analyzer in Glaucoma Patients. Journal of Ophthalmology 2020; 2020. https://doi.org/10.1155/2020/8384509
14. Simakova IL, Tikhonovskaya IA. Evaluation of the effectiveness of frequency doubling technology perimetry in the diagnosis of optic neuropathies. Natsional’nyi zhurnal glaukoma 2022; 21(1):23-35. https://doi.org/10.53432/2078-4104-2022-21-1-23-35
15. Brusini P, Filacorda S. Enhanced Glaucoma Staging System (GSS 2) for classifying functional damage in glaucoma. Journal of Glaucoma 2006; 15(1):40-46. https://doi.org/10.1097/01.ijg.0000195932.48288.97
16. Hollander DA, Volpe NJ, Moster ML, et al. Use of a portable head mounted perimetry system to assess bedside visual fields. The British Journal of Ophthalmology 2000; 84(10):1185. https://doi.org/10.1136/BJO.84.10.1185
17. Еричев ВП, Ермолаев АВ, Антонов АА, Григорян ГЛ, Косова ДВ. Новые возможности исследования поля зрения (предварительное сообщение). Вестник офтальмологии 2018; 134(2):66-72. https://doi.org/10.17116/oftalma2018134266-72
18. Ермолаев АП, Еричев ВП, Антонов АА и др. Исследование светочувствительности сетчатки при нарушении центрального зрения с помощью портативного периметра (предварительное сообщение). Вестник офтальмологии 2019; 135(3):46-54. https://doi.org/10.17116/oftalma201913503146
19. Diniz-Filho A, Boer ER, Gracitelli CPB, et al. Evaluation of Postural Control in Glaucoma Patients Using a Virtual 1 Reality Environment. Ophthalmology 2015; 122(6):1131. https://doi.org/10.1016/J.OPHTHA.2015.02.010
20. Ortiz P, Draelos M, Viehland C, et al. Robotically aligned optical coherence tomography with 5 degree of freedom eye tracking for subject motion and gaze compensation. Biomed Opt Express 2021; 12(12):7361. https://doi.org/10.1364/BOE.443537
21. Draelos M, Ortiz P, Qian R, et al. Contactless optical coherence tomography of the eyes of freestanding individuals with a robotic scanner. Nat Biomed Eng 2021; 5(7):726-736. https://doi.org/10.1038/S41551-021-00753-6
22. Draelos M, Ortiz P, Qian R, et al. Automatic optical coherence tomography imaging of stationary and moving eyes with a roboticallyaligned scanner. Proceedings — IEEE International Conference on Robotics and Automation 2019; 2019-May:8897-8903. https://doi.org/10.1109/ICRA.2019.8793524
23. Rakova PA, Dorofeev DA. Macular area’s microdynsmics’ measurements repeatability is normal. Modern technologies in ophtalmology 2020; 3:36-37. https://doi.org/10.25276/2312-4911-2020-3-36-37
24. Куроедов АВ, Мовсисян АВ, Егоров ЕА, Еричев ВП, Городничий ВВ, Брежнев АЮ, Газизова ИР. Профиль пациентов с первичной открытоугольной глаукомой в Российской Федерации. (предварительные результаты многоцентрового популяционного исследования). Часть 1. Национальный журнал глаукома 2021; 20(1):3-15. https://doi.org/10.25700/NJG.2021.01.01
25. Мовсисян АБ, Куроедов АВ, Завадский ПЧ, Брежнев АЮ, Абдрахманова ЕС, Городничий ВВ. Дополнительное профессиональное образование врачей и результаты клинической практики (аналитическое онлайн-исследование). Национальный журнал глаукома 2022; 21(1):62-70. https://doi.org/10.53432/2078-4104-2022-21-1-62-70
26. Weinreb RN, Garway-Heath DF, Leung C, Medeiros FA, Liebmann J, eds. Diagnosis of Primary Orep Angle Glaucoma. Amsterdam: Kugler Publications; 2016.
27. Приказ Министерства здравоохранения Российской Федерации от 25.02.2022 № 114н. http://publication.pravo.gov.ru/Document/View/0001202204040021
28. Корнеева АВ, Куроедов АВ, Завадский ПЧ и др. Приверженность гипотензивной терапии при глаукоме: мнение пациентов о ключевых факторах низкой степени комплаенса. Результаты многоцентрового интерактивного научно-аналитического исследования. Национальный журнал глаукома 2020; 19(3):12-21. https://doi.org/10.25700/NJG.2020.03.02
29. Петров С.Ю., Суббот А.М., Габашвили А.Н., Волжанин А.В., Витков А.А. Способы моделирования глаукомной оптической нейропатии в эксперименте на крысах. Национальный журнал глаукома 2017; 16(4):79-85.
30. Pang I-H, Clark AF. Inducible rodent models of glaucoma. Progress in Retinal and Eye Research 2020; 75:100799. https://doi.org/10.1016/j.preteyeres.2019.100799
31. Almasieh M, Levin LA. Neuroprotection in Glaucoma: Animal Models and Clinical Trials. Annual Review of Vision Science 2017; 3(1):91-120. https://doi.org/10.1146/annurev-vision-102016-061422
32. Harada C, Kimura A, Guo X, Namekata K, Harada T. Recent advances in genetically modified animal models of glaucoma and their roles in drug repositioning. British Journal of Ophthalmology 2019; 103(2):161-166. https://doi.org/10.1136/bjophthalmol-2018-312724
33. Chong RS, Crowston JG, Wong TT. Experimental models of glaucoma filtration surgery. Acta Ophthalmologica 2021; 99(1):9-15. https://doi.org/10.1111/aos.14485
34. Алексеев ВН, Егоров ЕА, Газизова ИР, Зайнуллина СР. Математический способ прогнозирования риска прогрессирования глаукомной оптической нейропатии. РМЖ Клиническая офтальмология 2015; 16(4):169-171.
35. Авдеев РВ, Александров АС, Бакунина НА, и др. Структурно-функциональные диагностические критерии в оценке вероятности наличия подозрения на глаукому и начальной стадии глаукомы. Медикобиологические проблемы жизнедеятельности 2017; 17(1):105-117.
36. Авдеев РВ, Александров АС, Арапиев МУ и др. Подозрение и начальная стадия глаукомы: дифференциально-диагностические критерии. Российский офтальмологический журнал 2017; 10(4):5-15. https://doi.org/10.21516/2072-0076-2017-10-4-5-15
37. Авдеев РВ, Александров АС, Бакунина НА и др. Модель манифестирования и исходов первичной открытоугольной глаукомы. Клиническая медицина 2014; 92(12):64-72.
38. Авдеев РВ, Александров АС, Бакунина НА и др. Клинико-математическая модель первичной открытоугольной глаукомы: манифестирование и исходы. Новости глаукомы 2015; 33(1):55-63.
39. Экгардт ВФ, Дорофеев ДА. Структурно-функциональные и гемодинамические особенности пациентов при простой первичной и псевдоэксфолиативной открытоугольной глаукоме и офтальмогипертензии в модели прогнозирования развития глаукомы. Часть 3. Национальный журнал глаукома 2018; 17(4):3-15. https://doi.org/10.25700/NJG.2018.03.01
40. Курышева НИ, Колединцев МН, Денисов АБ, Ратманова ЕВ, Аникина АЮ. Патент RU2004131064/14A. Способ прогнозирования течения глаукоматозной оптической нейропатии. 2006:6.
41. Дорофеев ДА, Антонов АА, Василенко ДЮ и др. Метод измерения внутриглазного давления с использованием технологий искусственного интеллекта и аппланационной тонометрии с фиксированной силой. Российский офтальмологический журнал 2022; 15(2 (Suppl)):49-56. https://doi.org/10.21516/2072-0076-2022-15-2-supplement-49-56
42. Алексеев ВН, Егоров ЕА, Газизова ИР. Патент RU2530588C1. Способ прогнозирования риска прогрессирования глаукомной оптической нейропатии. 2014:10.
43. Агафонова ВВ, Франковска-Герлак МЗ, Соколовская ТВ, Брижак ПЕ, Бессарабов АН. Роль местных и общесоматических факторов в развитии открытоугольной глаукомы у пациентов с глазными проявлениями псевдоэксфолиативного синдрома. Офтальмохирургия 2013; 3:60-65.
44. Лихванцева ВГ, Соколов ВА, Леванова ОН, Ковеленова ИВ. Прогнозирование вероятности развития и прогрессирования первичной открытоугольной глаукомы методом регрессионного моделирования. Вестник офтальмологии 2018; 134(3):35-41. https://doi.org/10.17116/oftalma2018134335
45. Куроедов АВ, Остапенко ГА, Митрошина КВ, Мовсисян АБ. Современная диагностика глаукомы: нейросети и искусственный интеллект. РМЖ Клиническая офтальмология 2019; 19(4):230-237. https://doi.org/10.32364/2311-7729-2019-19-4-230-237
46. Weinreb RN, Friedman DS, Fechtner RD, et al. Risk assessment in the
47. management of patients with ocular hypertension. American Journal of Ophthalmology 2004; 138(3):458-467. https://doi.org/10.1016/j.ajo.2004.04.054
48. Medeiros FA, Weinreb RN, Sample PA, et al. Validation of a predictive model to estimate the risk of conversion from ocular hypertension to glaucoma. Archives of Ophthalmology 2005; 123(10):1351-1360. https://doi.org/10.1001/archopht.123.10.1351
49. Wu Y, Luttrell I, Feng S, et al. Development and validation of a machine learning, smartphone-based tonometer. Br J Ophthalmol 2020; 104(10):1394. https://doi.org/10.1136/BJOPHTHALMOL-2019-315446
50. Spaide T, Wu Y, Yanagihara RT, et al. Using Deep Learning to Automate Goldmann Applanation Tonometry Readings. Ophthalmology. 2020; 127(11):1498-1506. https://doi.org/10.1016/j.ophtha.2020.04.033
51. Дорофеев ДА, Визгалова ЛО, Горобец АВ и др. Возможности искусственного интеллекта в измерении оттисков внутриглазного давления по Маклакову. Национальный журнал глаукома. 2020; 19(1):20-27. https://doi.org/10.25700/NJG.2020.01.03
52. Маклаков АН. Еще по поводу офтальмотонометрии. Хирургическая летопись 1883; 4:1-11. 51. Балалин СВ, Фокин ВП, Юферов ОВ. Программное обеспечение для определения толерантного и целевого давления у больных первичной открытоугольной глаукомой. РМЖ Клиническая офтальмология 2013; 13(4):144-147.
53. Антонов АА, Козлова ИВ. Коэффициент биомеханического напряжения в оценке степени компенсации внутриглазного давления. Вестник офтальмологии 2021; 137(5):255-261. https://doi.org/10.17116/oftalma2021137052255
54. Еричев В.П., Антонов А.А., Витков А.А., Григорян Л.А. Статическая периметрия в диагностике глаукомы. Часть 1. Базовые принципы. Вестник офтальмологии 2021;137(5 2):281 288. https://doi.org/10.17116/oftalma2021137052281
55. Еричев В.П., Антонов А.А., Витков А.А., Григорян Л.А. Статическая периметрия в диагностике глаукомы. Часть 2. Протокол исследования, классификации глаукомы, периметрические
56. дефекты через призму структурно-функциональной корреляции. Вестник офтальмологии 2021; 137(52):289-299. https://doi.org/10.17116/oftalma2021137052289
57. Huang X, Jin K, Zhu J, et al. A Structure-Related Fine-Grained Deep Learning System With Diversity Data for Universal Glaucoma Visual Field Grading. Front Med (Lausanne) 2022; 9. https://doi.org/10.3389/FMED.2022.832920
58. Li F, Wang Z, Qu G, et al. Automatic differentiation of Glaucoma visual field from non-glaucoma visual filed using deep convolutional neural network. BMC Medical Imaging 2018; 18(1). https://doi.org/10.1186/s12880-018-0273-5
59. Asaoka R, Iwase A, Hirasawa K, Murata H, Araie M. Identifying ‘“preperimetric”’ glaucoma in standard automated perimetry visual fields. Investigative Ophthalmology and Visual Science 2014; 55(12):7814- 7820. https://doi.org/10.1167/iovs.14-15120
60. Asaoka R, Murata H, Iwase A, Araie M. Detecting Preperimetric Glaucoma with Standard Automated Perimetry Using a Deep Learning Classifier. Ophthalmology 2016; 123(9):1974-1980. https://doi.org/10.1016/j.ophtha.2016.05.029
61. Kucur ŞS, Holló G, Sznitman R. A deep learning approach to automatic detection of early glaucoma from visual fields. PLoS ONE 2018; 13(11). https://doi.org/10.1371/JOURNAL.PONE.0206081
62. Shuldiner SR, Boland M v., Ramulu PY, et al. Predicting eyes at risk for rapid glaucoma progression based on an initial visual field test using machine learning. PLoS One 2021;16(4). https://doi.org/10.1371/JOURNAL.PONE.0249856
63. Yousefi S, Kiwaki T, Zheng Y, et al. Detection of Longitudinal Visual Field Progression in Glaucoma Using Machine Learning. American Journal of Ophthalmology 2018; 193(9):71-79. https://doi.org/10.1016/j.ajo.2018.06.007
64. Wen JC, Lee CS, Keane PA, et al. Forecasting future Humphrey Visual Fields using deep learning. PLoS ONE 2019; 14(4). https://doi.org/10.1371/JOURNAL.PONE.0214875
65. Jammal AA, Thompson AC, Ogata NG, et al. Detecting Retinal Nerve Fibre Layer Segmentation Errors on Spectral Domain-Optical Coherence Tomography with a Deep Learning Algorithm. Scientific Reports 2019; 9(1). https://doi.org/10.1038/S41598-019-46294-6
66. Maetschke S, Antony B, Ishikawa H, Wollstein G, Schuman J, Garnavi R. A feature agnostic approach for glaucoma detection in OCT volumes. PLoS ONE 2019; 14(7). https://doi.org/10.1371/JOURNAL.PONE.0219126
67. Fu H, Baskaran M, Xu Y, et al. A Deep Learning System for Automated Angle-Closure Detection in Anterior Segment Optical Coherence Tomography Images. American Journal of Ophthalmology 2019; 203:37-45. https://doi.org/10.1016/j.ajo.2019.02.028
68. Niwas SI, Lin W, Bai X, et al. Automated anterior segment OCT image analysis for Angle Closure Glaucoma mechanisms classification. Comput Methods Programs Biomed 2016; 130:65-75. https://doi.org/10.1016/J.CMPB.2016.03.018
69. Fukuda S, Beheregaray S, Kasaragod D, et al. Noninvasive evaluation of phase retardation in blebs after glaucoma surgery using anterior segment polarization-sensitive optical coherence tomography. Investigative Ophthalmology and Visual Science 2014; 55(8):5200-5206. https://doi.org/10.1167/iovs.14-14474
70. Sengupta S, Singh A, Leopold HA, Gulati T, Lakshminarayanan V. Ophthalmic diagnosis using deep learning with fundus images — A critical review. Artif Intell Med 2020; 102. https://doi.org/10.1016/J.ARTMED.2019.101758
71. Li Z, He Y, Keel S, Meng W, Chang RT, He M. Efficacy of a Deep Learning System for Detecting Glaucomatous Optic Neuropathy Based on Color Fundus Photographs. Ophthalmology 2018; 125(8):1199-1206. https://doi.org/10.1016/J.OPHTHA.2018.01.023
72. Christopher M, Belghith A, Bowd C, et al. Performance of Deep Learning Architectures and Transfer Learning for Detecting Glaucomatous Optic Neuropathy in Fundus Photographs. Scientific Reports 2018; 8(1). https://doi.org/10.1038/S41598-018-35044-9
73. Medeiros FA, Jammal AA, Thompson AC. From Machine to Machine: An OCT-trained Deep Learning Algorithm for Objective Quantification of Glaucomatous Damage in Fundus Photographs. Ophthalmology 2019; 126(4):513. https://doi.org/10.1016/J.OPHTHA.2018.12.033
74. Мовсисян АБ, Куроедов АВ, Городничий ВВ и др. Оценка эффективности технологии нейронных сетей при анализе состояния диска зрительного нерва и перипапиллярной сетчатки у здоровых лиц, обследованных на глаукому. Тихоокеанский медицинский журнал 2020; 81(3):43-47. https://doi.org/10.34215/1609-1175-2020-3-43-47
75. Asaoka R, Murata H, Hirasawa K, et al. Using Deep Learning and Transfer Learning to Accurately Diagnose Early-Onset Glaucoma From Macular Optical Coherence Tomography Images. Vol. 198. Elsevier Inc.; 2019. https://doi.org/10.1016/j.ajo.2018.10.007
76. Ting DSW, Peng L, Varadarajan AV, et al. Deep learning in ophthalmology: The technical and clinical considerations. Prog Retin Eye Res 2019; 72. https://doi.org/10.1016/J.PRETEYERES.2019.04.003
77. Ran AR, Cheung CY, Wang X, et al. Detection of glaucomatous optic neuropathy with spectral-domain optical coherence tomography: a retrospective training and validation deep-learning analysis. Lancet Digit Health 2019; 1(4):e172-e182. https://doi.org/10.1016/S2589-7500(19)30085-8
78. Russakoff DB, Mannil SS, Oakley JD, et al. A 3D Deep Learning System for Detecting Referable Glaucoma Using Full OCT Macular Cube Scans. Translational Vision Science & Technology 2020; 9(2). https://doi.org/10.1167/TVST.9.2.12
79. Christopher M, Bowd C, Belghith A, et al. Deep Learning Approaches Predict Glaucomatous Visual Field Damage from Optical Coherence Tomography Optic Nerve Head Enface Images and Retinal Nerve Fiber Layer Thickness Maps. Ophthalmology 2020; 127(3):346. https://doi.org/10.1016/J.OPHTHA.2019.09.036
80. Park K, Kim J, Lee J. A deep learning approach to predict visual field using optical coherence tomography. PLoS ONE 2020; 15(7). https://doi.org/10.1371/JOURNAL.PONE.0234902
81. Hashimoto Y, Asaoka R, Kiwaki T, et al. Deep learning model to predict visual field in central 10° from optical coherence tomography measurement in glaucoma. British Journal of Ophthalmology 2021; 105(4):507-513. https://doi.org/10.1136/bjophthalmol-2019-315600
82. Musch DC, Gillespie BW, Palmberg PF, Spaeth G, Niziol LM, Lichter PR. Visual field improvement in the collaborative initial glaucoma treatment study. American Journal of Ophthalmology 2014; 158(1). https://doi.org/10.1016/j.ajo.2014.04.003
83. Feiner L, Piltz-Seymour JR. Collaborative Initial Glaucoma Treatment Study: a summary of results to date. Curr Opin Ophthalmol. 2003; 14(2):106-111. https://doi.org/10.1097/00055735-200304000-00010.
84. Musch DC, Gillespie BW, Lichter PR, Niziol LM, Janz NK. Visual Field Progression in the Collaborative Initial Glaucoma Treatment Study. The Impact of Treatment and Other Baseline Factors. Ophthalmology 2009; 116(2):200-207. https://doi.org/10.1016/j.ophtha.2008.08.051
85. Musch DC, Lichter PR, Guire KE, Standardi CL. The Collaborative Initial Glaucoma Treatment Study: study design, methods, and baseline characteristics of enrolled patients. Ophthalmology 1999; 106(4):653-662. https://doi.org/10.1016/s0161-6420(99)90147-1
86. AGIS (Advanced Glaucoma Intervention Study) Investigators. The Advanced Glaucoma Intervention Study: 8. Risk of cataract formation after trabeculectomy. Arch Ophthalmol 2001;119(12):1771-1779. https://doi.org/10.1001/archopht.119.12.1771
87. AGIS (Advanced Glaucoma Intervention Study) Investigators. The Advanced Glaucoma Intervention Study (AGIS): 7. The relationship between control of intraocular pressure and visual field deterioration. Am J Ophthalmol 2000; 130(4):429-440. https://doi.org/10.1016/s0002-9394(00)00538-9
88. Kazemian P, Lavieri MS, van Oyen MP, Andrews C, Stein JD. Persona-lized Prediction of Glaucoma Progression Under Different Target Intraocular Pressure Levels Using Filtered Forecasting Methods. Ophthalmology 2018; 125(4):569. https://doi.org/10.1016/J.OPHTHA.2017.10.033
89. Garcia GGP, Lavieri MS, Andrews C, et al. Accuracy of Kalman Filtering in Forecasting Visual Field and Intraocular Pressure Trajectory in Patients With Ocular Hypertension. JAMA Ophthalmology 2019; 137(12):1416-1423. https://doi.org/10.1001/JAMAOPHTHALMOL.2019.4190
90. Garcia GGP, Nitta K, Lavieri MS, et al. Using Kalman Filtering to Forecast Disease Trajectory for Patients with Normal Tension Glaucoma. Am J Ophthalmol 2019; 199:111. https://doi.org/10.1016/J.AJO.2018.10.012
91. Mariottoni EB, Datta S, Dov D, et al. Artificial Intelligence Mapping of Structure to Function in Glaucoma. Translational Vision Science & Technology. 2020;9(2):1-14. https://doi.org/10.1167/TVST.9.2.19
92. Xiong J, Li F, Song D, et al. Multimodal Machine Learning Using Visual Fields and Peripapillary Circular OCT Scans in Detection of Glaucomatous Optic Neuropathy. Ophthalmology 2022; 129(2):171-180. https://doi.org/10.1016/J.OPHTHA.2021.07.032
93. Антонов А.А., Козлова И.В., Витков А.А. Максимальная медикаментозная терапия глаукомы — что есть в нашем арсенале? Национальный журнал глаукома 2020; 19(2):51-58. https://doi.org/ 10.25700/njg.2020.02.06
94. Lakhani BK, King AJ. Exploring the frequency and location of prescribing errors in the use of topical glaucoma medications. Clinical & Experimental Ophthalmology 2018; 46(6):616-623. https://doi.org/10.1111/CEO.13156
95. Rasool MF, Rehman A ur, Imran I, et al. Risk Factors Associated With Medication Errors Among Patients Suffering From Chronic Disorders.
96. Frontiers in Public Health 2020; 8:531038. https://doi.org/10.3389/FPUBH.2020.531038
97. Pfennigsdorf S, Eschstruth P, Häsemeyer S, et al. Preservative-free bimatoprost 0.03%/timolol 0.5% fixed combination in patients with glaucoma in clinical practice. Clinical Ophthalmology 2016; 10:1837-1846. https://doi.org/10.2147/OPTH.S106159
98. Клинические рекомендации. Глаукома первичная открытоугольная 2020. 16.02.2021. Утверждены Министерством здравоохранения Российской Федерации.
99. Казанова СЮ, Казанов ЮА. Цифровые технологии в лечении глаукомы. Национальный журнал глаукома 2020; 19(4):12-19. https://doi.org/10.25700/NJG.2020.04.02
100. Козлова ИВ, Акопян АИ, Рещикова ВС. Опыт применения новой фиксированной формы Дорзопт плюс в лечении пациентов с первичной открытоугольной глаукомой. Глаукома. Журнал НИИ ГБ РАМН 2012; 2:50-54.
101. Козлова ИВ, Акопян АИ, Рещикова ВС. Эффективность комбинированной терапии у больных первичной открытоугольной глаукомой. Глаукома. Журнал НИИ ГБ РАМН 2011; 3:25-29.
102. Еричев ВП, Витков АА. Топические бета-блокаторы: взаимодействие и нежелательные явления (аналитический обзор). XVIII Всероссийская школа офтальмолога. 2019; 37-45. https://doi.org/10.30808/978-5-6040782-2019-1-1-37-44
Рецензия
Для цитирования:
Дорофеев Д.А., Казанова С.Ю., Мовсисян А.Б., Полева Р.П. Искусственный интеллект и нейросети в диагностике глаукомы. Национальный журнал Глаукома. 2023;22(1):115-128. https://doi.org/10.53432/2078-4104-2023-22-1-115-128
For citation:
Dorofeev D.A., Kazanova S.Yu., Movsisyan A.B., Poleva R.P. Artificial intelligence and neural networks in the diagnosis of glaucoma. National Journal glaucoma. 2023;22(1):115-128. (In Russ.) https://doi.org/10.53432/2078-4104-2023-22-1-115-128
Просмотров: 142
Послать статью по эл. почте 