Искусственный интеллект восстановил картину дебюта глаукомы в нейронной сети

Стали известны ранние структурные признаки  глаукомы

Обученная нейронная сеть обработала 321 777  параметров и выделила 7 слоев нервной и соединительной ткани глаза одновременно

Мы продолжаем рассказ о научных достижениях сингапурской офтальмологической научной школы.  Результаты их научного  содружества со специалистами сферы биомедицинской инженерии, как ожидается, могут помочь в ранней диагностике функциональных нарушений в нейронной сети глаза и оценить степень тяжести глаукомного процесса.

Офтальмологический журнал American Journal of Ophtalmology разместил онлайн (опережающие публикации, том 236 стр. 172-182,  апрель текущего года) сообщение междисциплинарной и транснациональной группы представителей индийской офтальмологической сети Аравинд, Сингапурского Национального Центра проблем зрения, Национального университета Сингапура, инновационной лаборатории Исследовательского института глаза Сингапура  Sаtish K. Panda, Haris  Cheong, Tin A. Tun, Sripad K. Devella, Vijayalakshmi Senthil, Ramaswami Krishnadas, Martin L. Buist, Shamira Perera, Ching-yu Cheng, Tin Aung, Alexandre H. Thiery, Michael J.A. Girard  ─ “Описание структурного фенотипа глаукоматозной головки зрительного нерва с использованием искусственного интеллекта». Полнотекст можно найти по адресам https://www.ajo.com/article/S0002-9394(21)00332-9/pdf ; https://doi.org/10.1016/j.ajo.2021.06.01.

Терминологический словарь

Искусственный интеллект —  свойство интеллектуальных систем выполнять творческие функции, традиционно

считающиеся прерогативой человека; наука и технология создания интеллектуальных компьютерных программ.(ru.m.wikipedia.org)

Фенотип — совокупность внешних и внутренних признаков организма, приобретённых им в результате индивидуального развития

Автоэнкодеры — нейронные сети прямого распространения, которые восстанавливают входной сигнал на выходе. Внутри у них имеется скрытый слой, который представляет собой код, описывающий модель

Сверточная нейронная сеть (СНС). Работа свёрточной нейронной сети обычно интерпретируется как переход от конкретных особенностей изображения к более абстрактным деталям, и далее к ещё более абстрактным деталям вплоть до выделения понятий высокого уровня. При этом сеть самонастраивается и вырабатывает сама необходимую иерархию абстрактных признаков (последовательности карт признаков), фильтруя маловажные детали и выделяя существенное (Википедия).  Когда мы смотрим на изображение собаки, мы можем отнести его к конкретному классу, если у изображения есть характерные особенности, которые можно идентифицировать, такие как лапы или четыре ноги. Аналогичным образом компьютер может выполнять классификацию изображений через поиск характеристик базового уровня, например границ и искривлений, а затем с помощью построения более абстрактных концепций через группы свёрточных слоев. Это общее описание того, что делают СНС. Обучение – самая важная ее часть (детали метода см. по адресу

Рис.1. Ультратонкие структуры головки (диска) зрительного нерва, различимые с помощью высокой технологии оптической когерентной томографии (из открытого доступа в Интернет ресурсах)


Как видно на рисунке 1, оптическая когерентная томография (ОКТ) позволяет следить за параметрами морфологических структур глазного дна в области головки зрительного нерва ─  за экскавацией (параметры углубления в центре диска, изменяется при атрофии), пучками нервных волокон, толщиной решетчатой пластины склеры (оболочки глазного яблока) и другими.  Оказывается, что этого может быть недостаточно. Однако пробел может быть заполнен углубленным пониманием и использованием возможностей искусственного интеллекта.

Авторы рассказывают об истории вопроса и о том, что установление диагноза глаукомы до настоящего времени не было быстрой процедурой, и врачи могли просто упустить начало разрушения нервных клеток сетчатки и иметь дело уже с последствиями этого – массовой гибелью ганглиев и утратой зрения.

Известно, что основным местом повреждения ганглиев сетчатки (точнее, аксонов нервных клеток) является зона диска (головки) зрительного нерва.  Распознавание ситуации в этой зоне при исследовании авторы признают субъективным фактором, зависящим от опыта врача и наличия инструмента оперативной диагностики.  Таким инновационным инструментом глубокого изучения нейронной сети применительно к глаукоме авторы считают программы автоэнкодирования искусственного интеллекта.

В современной клинической практике функциональные показатели потери аксонов, то есть тяжесть глаукомного поражения, принято оценивать по золотому стандарту ─ степени истончения слоя нервных волокон сетчатки с помощью когерентной томографии.  Однако авторы утверждают, что возможности этого метода намного шире, чем принято считать.  Анализируя обширный литературный материал, они говорят:

“… на сегодняшний день ни одно клиническое решение не учитывает изменения в нервной и в соединительной ткани одновременно, во многом из-за отсутствия диагностической мощности… Недавно было проведено несколько исследований искусственного интеллекта и предложено несколько алгоритмов …для улучшения диагностики глаукомы. Но нет до сих пор попыток …объяснить, почему искусственный интеллект способен идентифицировать «глаукому» и «неглаукому» по данным ОКТ-сканирования?

К исследованию были привлечены 2233 пациента с глаукомой и 1549 человек без глаукомы. Работа велась одновременно в двух центрах – Сингапурском Национальном центре проблем зрения и в одной из клиник сети офтальмологической помощи Аравинд в Индии (Тамил-Наду, г. Мадурай).

Были применены современные биолого-математические (медико-математические) сверхточные инструменты сверточной нейронной сети (СНС) и обучающие методики для нейронной сети (автоэнкодирование и сегментирование исходных ОКТ нервной и соединительной ткани области зрительного нерва).   

Это позволило обученной нейронной сети в итоге выделить и идентифицировать 7 слоев нейронной сети и соединительной ткани глаза. Настроенная сеть имела 321 777 параметров по сравнению с 31 031 685 параметрами в исходной позиции.  Слои нервной и соединительной ткани были идентифицированы  одновременно (стекловидное тело, ганглиозные клетки, пигментный эпителий сетчатки, сосудистая оболочка, склера и другие).

Основным достижением сингапурских и индийских ученых стало обнаружение структурных признаков глаукомного процесса (глаукоматоза), ранее скрытых от исследователей.  Технологические возможности примененного метода биоматематической обработки данных позволили выстроить системную картину до-глаукомных, переходных и глаукомных состояний глазного дна и выстроить модель дебюта глаукомы.

На изображенной модели можно видеть, что в пространстве UMAP (Uniform Manifold Approximation and Projection) процесс перехода неглаукомной зоны (синий цвет) в глаукоматозную (красный цвет)  сопровождается постадийным (оцениваемым в 10 точках-звездочках)  изменением главных компонент (principal component) по указанной траектории. В точках 1,4,6,8,10 сняты профили диска зрительного нерва, показанные в левой колонке (можно видеть истончение слоев) (цит. по SATISH K. PANDA, HARIS CHEONG, TIN A. TUN, SRIPAD K. DEVELLA, VIJAYALAKSHMI SENTHIL et al. Describing the Structural Phenotype of the Glaucomatous Optic Nerve Head Using Artificial Intelligence. https://doi.org/10.1016/j.ajo.2021.06.010 )

В условном «программном глазном» пространстве Uniform Manifold Approximation and Projection (UMAP) — алгоритме  машинного обучения ─ авторы обнаружили в верхней правой его  области структуры, характерные для неглаукомных дисков, различающихся параметрами анатомических структур : толщиной проламины (предшественника слоя или пластинчатого анатомического образования),  размерами самого диска, шириной обода, толщиной слоя нервных волокон.  В центре условного пространства находится переходная зона от неглаукоматозного состояния к глаукоматозному, где параметры перемешаны между собой.  В левой части пространства (верхней и нижней) находятся глаукоматозные диски со своими параметрами, отличными от здоровых.

Авторы утверждают, что нейронная Сеть смогла продемонстрировать структурные изменения, которые проявляются в дисках зрительных нервов при развитии глаукомы и обеспечила беспрецедентную диагностическую точность.  Этот подход о сути найдет множество клинических применений и поможет повысить точность диагностики, предсказать закономерности и улучшить прогноз

Индийские и сингапурские специалисты подчеркивают, что условное машинное пространство UMAP «…предоставило врачам элегантный способ визуализации глазного дна с глаукомой и без глаукомы в 2D-пространстве». В результате появилась классификация глаукомного и неглаукомного дна зрительного нерва (ДЗН) в двух самостоятельных группах.  В каждой группе ДЗН повторно сгруппированы по срокам обнаружения наиболее диагностически значимых отличительных анатомических особенностей (размер диска, толщина слоя нервных волокон, толщина преламины).   

Мы продолжим рассказывать об исследованиях этого ряда, представляющих собой по сути прорыв в диагностике глаукомы и клиническом ведении пациентов. Каждый наш рассказ будет посвящен одному исследованию, поскольку материал достаточно сложный и заслуживает углубленного знакомства с ним.  Ведь свое заболевание нужно знать по возможности во всех деталях.

До встречи.

Добавить комментарий

Ваш адрес email не будет опубликован.