Искусственный интеллект в офтальмологии. Нужны ли нам калькуляторы риска развития и прогрессирования глаукомы?

Искусственный интеллект (ИИ) стремительно входит в современную медицинскую практику. Многие повседневные клинические задачи, от визуализации и автоматизированной диагностики до роботизированной хирургии невозможно сегодня представить без использования ИИ. Нейронные сети показывают впечатляющие результаты при анализе большого массива данных, полученных при компьютерной периметрии, оптической когерентной томографии, фотографировании глазного дна и др. В настоящее время в России и за рубежом разрабатываются математические алгоритмы, позволяющие по тем или иным признакам определять наличие глаукомного процесса. В статье анализируются плюсы и минусы использования ИИ в офтальмологической практике. Обсуждается необходимость тщательного подбора критериев и их влияние на точность работы калькуляторов. Особенности использования математического анализа при подозрении на глаукому и при уже установленном диагнозе. Приводятся клинические примеры использования калькулятора риска развития глаукомы в рутинной практике офтальмолога. 

1. Kucur ŞS, Holló G, Sznitman R. A deep learning approach to automatic detection of early glaucoma from visual fields. PLoS One 2018; 13(11):e0206081. https://doi.org/10.1371/JOURNAL.PONE.0206081

2. Asaoka R, Iwase A, Hirasawa K, Murata H, Araie M. Identifying “preperimetric” glaucoma in standard automated perimetry visual fields. Invest Ophthalmol Vis Sci 2014; 55(12):7814-7820. https://doi.org/10.1167/iovs.14-15120

3. 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

4. Mariottoni EB, Jammal AA, Urata CN, Berchuck SI, Thompson AC, Estrela T, Medeiros FA. Quantification of Retinal Nerve Fibre Layer Thickness on Optical Coherence Tomography with a Deep Learning Segmentation-Free Approach. Sci Rep 2020; 10(1):402. https://doi.org/10.1038/s41598-019-57196-y.

5. 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):e0219126. https://doi.org/10.1371/JOURNAL.PONE.0219126

6. 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. Sci Rep 2019; 9(1):9836. https://doi.org/10.1038/S41598-019-46294-6

7. 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

8. Christopher M, Belghith A, Bowd C, et al. Performance of Deep Learning Architectures and Transfer Learning for Detecting Glaucomatous Optic Neuropathy in Fundus Photographs. Sci Rep 2018; 8(1):16685. https://doi.org/10.1038/S41598-018-35044-9

9. Gajendran MK, Rohowetz LJ, Koulen P, Mehdizadeh A. Novel Machine-Learning Based Framework Using Electroretinography Data for the Detection of Early-Stage Glaucoma. Front Neurosci 2022; 16. https://doi.org/10.3389/FNINS.2022.869137

10. Дорофеев Д.А., Антонов А.А., Василенко Д.Ю. и соавт. Метод измерения внутриглазного давления с использованием технологий искусственного интеллекта и аппланационной тонометрии с фиксированной силой. Российский офтальмологический журнал 2022; 15 (2(Прил)):49-56. https://doi.org/10.21516/2072-0076-2022-15-2-supplement-49-56

11. Smigel K. Breast Cancer Prevention Trial shows major benefit, some risk. J Natl Cancer Inst 1998;90(9):647-648. https://doi.org/10.1093/JNCI/90.9.647

12. Living To 100 Life Expectancy Calculator. https://www.livingto100.com/. Accessed February 10, 2023.

13. Gordon MO, Torri V, Miglior S, et al. Validated prediction model for the development of primary open-angle glaucoma in individuals with ocular hypertension. Ophthalmology 2007; 114(1):10-19. https://doi.org/10.1016/j.ophtha.2006.08.031

14. Gordon MO. The Ocular Hypertension Treatment Study. Archives of Ophthalmology 1999; 117(5):573. https://doi.org/10.1001/archopht.117.5.573

15. Леошек М.В. Определение толерантного ВГД и прогнозирование скорости прогрессирования глаукомы по данным программы — калькулятора Балалина С.В. Бюллетень медицинских интернет- конференций. Саратов: Наука и инновации 2016; 797.

16. Балалин С.В., Фокин В.П., Юферов О.В. Программное обеспечение для определения толерантного и целевого давления у больных первичной открытоугольной глаукомой. РМЖ Клиническая офтальмология 2013; 13(4):144-147.

17. Авдеев Р.В., Александров А.С., Арапиев М.У. и соавт. 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

18. Авдеев Р.В., Александров А.С., Бакунина Н.А. и соавт. Структурно- функциональные диагностические критерии в оценке вероятности наличия подозрения на глаукому и начальной стадии глаукомы. Медико-биологические проблемы жизнедеятельности 2017; 17(1):105-117.

19. Экгардт В.Ф., Дорофеев Д.А. Структурно-функциональные и гемо- динамические 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.2018.04.01

20. 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

21. 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

22. 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

23. 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 Ophthalmol 2019; 137(12):1416-1423. https://doi.org/10.1001/JAMAOPHTHALMOL.2019.4190

24. Kazemian P, Lavieri MS, van Oyen MP, Andrews C, Stein JD. Personalized 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

25. 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/ATTACHMENT/ 6251BEAA-C04D-446E-BBA0-7DB330AC1958/MMC5.PDF

26. Draelos M, Ortiz P, Qian R, et al. Automatic optical coherence tomography imaging of stationary and moving eyes with a roboticallyaligned scanner. Proc IEEE Int Conf Robot Autom 2019; 2019:8897-8903. https://doi.org/10.1109/ICRA.2019.8793524

27. 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

28. 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

29. Симакова И.Л., Тихоновская И.А. Оценка эффективности периметрии с удвоением пространственной частоты в диагностике оптиконейропатий. Национальный журнал глаукома 2022; 21(1):23-35.https://doi.org/10.53432/2078-4104-2022-21-1-23-35

30. Li F, Song D, Chen H, et al. Development and clinical deployment of a smartphone-based visual field deep learning system for glaucoma detection. NPJ Digit Med 2020; 3(1):123. https://doi.org/10.1038/s41746-020-00329-9

31. 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

32. Liu Y, Holekamp NM, Heier JS. Prospective, Longitudinal Study: Daily Self-Imaging with Home OCT for Neovascular Age-Related Macular Degeneration. Ophthalmol Retina 2022; 6(7):575-585. https://doi.org/10.1016/j.oret.2022.02.011

33. Дорофеев Д.А., Визгалова Л.О., Горобец А.В. и соавт. 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

34. Weinreb RN, Friedman DS, Fechtner RD, et al. Risk assessment in the management of patients with ocular hypertension. Am J Ophthalmol 2004; 138(3):458-467. https://doi.org/10.1016/j.ajo.2004.04.054

35. Kymes SM. Effect of Patient’s Life Expectancy on the Cost-effectiveness of Treatment for Ocular Hypertension. Archives of Ophthalmology

36. ; 128(5):613. https://doi.org/10.1001/archophthalmol.2010.83

37. Lee PP, Walt JG, Doyle JJ, et al. A multicenter, retrospective pilot study of resource use and costs associated with severity of disease in glaucoma. Arch Ophthalmol 2006; 124(1):12-19. https://doi.org/10.1001/ARCHOPHT.124.1.12

38. Hattenhauer MG, Johnson DH, Ing HH, et al. The probability of blindness from open-angle glaucoma. Ophthalmology 1998; 105(11):2099-2104. https://doi.org/10.1016/S0161-6420(98)91133-2

39. Kass MA, Heuer DK, Higginbotham EJ, et al. The Ocular Hypertension

40. Treatment Study: a randomized trial determines that topical ocular hypotensive medication delays or prevents the onset of primary openangle glaucoma. Arch Ophthalmol 2002; 120(6):701-713. https://doi.org/10.1001/archopht.120.6.701

41. Gordon MO, Beiser JA, Brandt JD, et al. The Ocular Hypertension Treatment Study: baseline factors that predict the onset of primary open-angle glaucoma. Arch Ophthalmol 2002; 120(6):714-720; discussion 829-830. https://doi.org/10.1001/archopht.120.6.714

42. Blackwell B, Gaasterland D, Ederer F, et al. The Advanced Glaucoma Intervention Study (AGIS): 12. Baseline risk factors for sustained loss of visual field and visual acuity in patients with advanced glaucoma. Am J Ophthalmol 2002; 134(4):499-512. https://doi.org/10.1016/S0002-9394(02)01659-8

43. Leung CKS, Yu M, Weinreb RN, et al. Retinal Nerve Fiber Layer Imaging with Spectral-Domain Optical Coherence Tomography: A Prospective Analysis of Age-Related Loss. Ophthalmology 2012; 119(4):731-737. https://doi.org/10.1016/J.OPHTHA.2011.10.010

44. Chang TC, Ramulu P, Hodapp E. Clinical Decisions in Glaucoma SECOND. Miami: Ta Chen Chang; 2016.

45. Kim KE, Jeoung JW, Park KH. Author reply. Ophthalmology 2015; 122(7):e44-e45. https://doi.org/10.1016/j.ophtha.2015.01.004

46. Kim KE, Jeoung JW, Park KH, Kim DM, Kim SH. Diagnostic classification of macular ganglion cell and retinal nerve fiber layer analysis: Differentiation of false-positives from glaucoma. Ophthalmology 2015; 122(3):502-510.

47. https://doi.org/10.1016/j.ophtha.2014.09.031

48. Rebolleda G, Leal-Fonseca M, Moreno-Montañés J, Casas-Llera P, Muñoz-Negrete FJ. Re: Kim et al.: Diagnostic classification of macular ganglion cell and retinal nerve fiber layer analysis: differentiation of false-positives from glaucoma (Ophthalmology 2015; 122:502-10). Ophthalmology 2015;122(7):e43-e44. https://doi.org/10.1016/j.ophtha.2014.12.039

49. European Glaucoma Prevention Study (EGPS) Group, Miglior S, Pfeiffer N, et al. Predictive factors for open-angle glaucoma among patients with ocular hypertension in the European Glaucoma Prevention Study. Ophthalmology 2007; 114(1):3-9. https://doi.org/10.1016/j.ophtha.2006.05.075

50. Mwanza JC, Tulenko SE, Budenz DL, et al. Longitudinal Change in Central Corneal Thickness in the Tema Eye Survey. Am J Ophthalmol 2018; 186:10-18.

51. https://doi.org/10.1016/J.AJO.2017.11.002

52. Страхов В.В. Аннотация результатов исследований патогенеза и значения межокулярной асимметрии при первичной открытоугольной глаукоме. РМЖ Клиническая офтальмология 2015; 15(2):97-101.

53. Ловпаче Дж.Н., Завадский П.Ч., Зверева О.Г. и соавт. Комплаентность и персистентность у пациентов с первичной открытоугольной глаукомой с позиции офтальмолога. Национальный журнал глаукома 2020; 19(2):11-21. https://doi.org/10.25700/NJG.2020.02.02

54. Корнеева А.В., Куроедов А.В., Завадский П.Ч. и соавт. 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

55. Ловпаче Д.Н., Дорофеев Д.А. Фармакоэкономическая целесообразность применения бесконсервантной терапии при лечении первичной открытоугольной глаукомы у пациентов с синдромом ≪сухого глаза≫ (промежуточные результаты). РМЖ Клиническая офтальмология 2017; 17(4):195-200. https://doi.org/10.21689/2311-7729-2017-17-4-195-200

56. Roberts M, Driggs D, Thorpe M, et al. Common pitfalls and recommendations for using machine learning to detect and prognosticate for COVID-19 using chest radiographs and CT scans. Nature Machine Intelligence 2021; 3(3):199-217. https://doi.org/10.1038/s42256-021-00307-0

57. Mc Grath O, Sarfraz MW, Gupta A, Yang Y, Aslam T. Clinical Utility of Artificial Intelligence Algorithms to Enhance Wide-Field Optical Coherence Tomography Angiography Images. J Imaging 2021;7(2)32. https://doi.org/10.3390/JIMAGING7020032

58. Fawcett T. An introduction to ROC analysis. Pattern Recognit Lett 2006; 27(8):861-874. https://doi.org/10.1016/J.PATREC.2005.10.010

59. Nam JG, Park S, Hwang EJ, et al. Development and Validation of Deep Learning-based Automatic Detection Algorithm for Malignant Pulmonary Nodules on Chest Radiographs. Radiology 2019; 290(1):218-228. https://doi.org/10.1148/RADIOL.2018180237

60. Patel BN, Rosenberg L, Willcox G, et al. Human–machine partnership with artificial intelligence for chest radiograph diagnosis. NPJ Digit Med 2019; 2:111.

61. https://doi.org/10.1038/S41746-019-0189-7

62. Tschandl P, Rinner C, Apalla Z, et al. Human-computer collaboration for skin cancer recognition. Nat Med 2020; 26(8):1229-1234. https://doi.org/10.1038/S41591-020-0942-0

63. Firestone C. Performance vs. competence in human–machine comparisons. Proc Natl Acad Sci U S A 2020;117(43):26562. https://doi.org/10.1073/PNAS.1905334117

64. Burr J, Mowatt G, Hernández R, et al. The clinical effectiveness and cost-effectiveness of screening for open angle glaucoma: a systematic review and economic evaluation. Health Technol Assess (Rockv) 2007; 11(41):1-190. https://doi.org/10.3310/hta11410

65. Korteling JE (Hans), van de Boer-Visschedijk GC, Blankendaal RAM, Boonekamp RC, Eikelboom AR. Human-versus Artificial Intelligence. Front Artif Intell 2021; 4. https://doi.org/10.3389/FRAI.2021.622364