Założenia AI w Ekspresji Diabetic Retinopatii: Od Zdjęcia Oka Odpadu do Stopnia Rzeczywistego

Programscreeningu prowadzący na skalę narodową

Zakrzep oka spowodowany diabetezmem wynika z uszkodzeń krążenia w oku powstających z powodu długotrwałego wysokiego poziomu cukru we krwi. Znajduje się on wśród głównych przyczyn utraty wzroku, która jest prewencjonowalna u dorosłych pracujących w Wielkiej Brytanii. W Wielkiej Brytanii żyje około 4,9 miliona osób z diabetezmem, a Program Ochrony Oku Diabetologicznego NHS (DESP) codziennie zaprasza ponad 2,5 milionów z nich do wykonania fotografii okularnej. To jest spowodowane brakiem objawów wczesnego zakrzepu oka, które można leczyć, jeśli zostanie zauważone w odpowiednim czasie. Screeningu na takim skalę jest kosztowne i intensywne dla ekspertów do sprawdzenia przez oczko, co jest dokładnie typem powtarzalnej, wysokiej ilościowej, dobrze zdefiniowanej klasyfikacji obrazu, która zainteresowała serio asystę AI w ocenie. Estymaty sugerują, że asysta AI w triage może znacząco zmniejszyć koszty screeningu, pomagając ekspertom skupić uwagę na obrazach najbardziej prawdopodobnych do analizy.

Pięć faz, jedna uporządkowana skala

Klinicznie retinopatia cukrzycowa jest podzielona na pięć faz: od 0 do 4 — bez DR, lekka, średnia, poważna i proliferatywna, z każdą fazą opisującym coraz bardziej poważne uszkodzenia — od małych mikroaneurysm (małych czerwonych punktów gdzie ścianki naczyń krwionośnych rozszerzają się) przez krwawienia i wydzielenia tłuszczowe, aż do proliferatywnego stanu, w którym powstają nieprawidłowe nowe naczynia krwionośne poza retina, co przekształca pacjenta w ryzyko utraty wzroku. Nie jak w prostej klasyfikacji tak/nie, to jest problem uporządkowany: błąd polegający na zidentyfikowaniu faz 0 jako 1 jest znacznie mniejszym błędem niż identyfikacja faz 0 jako 4. Dla dowolnej modelu stworzonego do tego zadania potrzebne jest ocenienie, które uwzględnia to. W tym miejscu wchodzi w grę Kappa z wagami kwadratowymi (QWK) — standardowy metryk dla exact problemu, który pomaga w ocenie zgody ze specjalistycznymi ocenkarzami, podnosząc kary za odległe błędy znacznie bardziej niż sąsiednie. Wartość QWK okoliczna 0,85 lub wyższa jest zazwyczaj rozpatrywana jako zbliżona do specjalistycznego poziomu zgody.

Oczyszczenie zdjęć retina przed ich przejrzeniem przez sieć

Zdjęcia retina (fundus) mogą się znacznie różnić między kamery a klinikami — różnice w ekspozycji, oświetleniu i nawet obramowanie czarne okrągłego pola retina mogą dodawać szum, który ma nic wspólnego z rzeczywistym stanem retinopatii pacjenta. Kilka standardowych kroków przetwarzania przedmiotowego bezpośrednio rozwiązuje to: obcinanie obramowania czarnego, aby sieć widziała tylko tkaninę retina; metoda Ben Graham (metoda używana przez zwycięzcę konkursu Kaggle z 2015 roku dotyczącego retinopatii diabetycznej), która odejmuje od obrazu bardzo rozmytą jego kopię, aby wyrównać nieuniformne oświetlenie lokalne i ostro podkreślić kontrast małych anomalii wąskich; oraz CLAHE (Contrast Limited Adaptive Histogram Equalisation), która lokalnie rozciąga kontrast na małych obszarach obrazu bez nadmiernego zwiększania szumu w już jasnych lub już ciemnych obszarach. Wspólnie te kroki sprawiają, że zdjęcia docierające do sieci są znacznie bardziej zgodne, co jest bardzo ważne, gdy model musi generalizować na zdjęcia wykonane różnymi urządzeniami w różnych klinikach NHS.

Dlaczego transfer learning i dwuetapowy strategia treningu

Zamiast trenować sieć od podstaw, bardziej skutecznym podejściem dla zestawu danych z tysiącami etykietowanych obrazów oka jest transfer learning: rozpoczęcie treningu od sieci już przetrenowanej, np. EfficientNet-B3, na milionach ogólnych obrazów ze zbioru ImageNet, a następnie dostosowanie jej do konkretnego zadania. Trening odbywa się w dwóch fazach. W pierwszej fazie cała przetrenowana podstruktura jest zamarznięta, a trening prowadzi tylko nowo dodane głowicę klasyfikacyjną — globalne średnie pooling poniższe warstwy skonwertowane na gęste warstwy — pozwalając modelowi szybko nauczyć się przekształcać już bogate ogólne wizualne cechy podstruktury na pięć stopni DR. W drugiej fazie kilka ostatnich warstw podstruktury są odkryte i dostosowywane przy znacznie niższej stawce uczenia (często o dziesięć razy mniejszej od pierwszej fazy), pozwalając sieci na dostosowanie swoich głębszych wizualnych cech do konkretnej tekstury patologii oka bez zniszczenia tego, co już nauczyła się na znacznie większym i bardziej ogólnej zestawie danych. Ponieważ stopnie DR są naturalnie niezbalansowane w rzeczywistych danych — większość ludzi przeprowadzonych screeningu nie ma retinopatii — podczas treningu stosuje się wagowanie klas, aby model nie był po prostu nagradzany za przewidywanie "brak retinopatii" na każdym obrazie.

Grad-CAM: pokazanie, jak działa model

System oceny tak istotny nie może być ukryty w czarnej skrzynce. Grad-CAM (Gradient-weighted Class Activation Mapping) jest techniką, która śledzi przez sieć, aby wyznaczyć obszary wejściowej obrazu, które najbardziej wpłynęły na jego końcowy przewidywanie, tworząc powłokę termograficzną, która pokazuje, gdzie model „patrzył”. Dla dobrze treningowego modelu diabetycznego retinopatii ta powłoka powinna oświetlić rzeczywiste objawy choroby — skupiska mikroneurysm, obszary krwiopadów i obszary neoangiogenezy — zamiast nad nieistotnymi częścią obrazu, takimi jak disk opticzny lub artefakty obrazu. Takie zrozumienie modelu nie jest tylko przyjemnością dla budowania zaufania lekarzy; regulatorzy w Wielkiej Brytanii, w tym MHRA i NHS AI Lab, jasno wymagają, aby narzędzia diagnostyczne oparte na inteligencji artystyczniej mogły wyjaśniać swoją logikę w pewnym stopniu przed użyciem ich w ścieżce klinicznej.

Z klasyfikacji do klinicznych działań

Ostatecznym elementem, który sprawia, że model ten ma kliniczną znaczenie, jest mapowanie każdego przewidywanego stopnia na konkretne zalecenie działania zamiast pozostawianie go jako abstrakcyjnej liczby: brak DR może oznaczać regularną recreening w ciągu dwunastu miesięcy, lekki lub średnio ciężki DR mógłby skrócić ten interwał lub spowodować odwołanie do ophtalmologa w ciągu kilku miesięcy, a poważny czy proliferacyjny stan powinien spowodować szybkie odwołanie w ciągu kilku tygodni z uwagi na rzeczywistą ryzyko utraty wzroku. Budując go tak, narzędzie staje się mniej zastępczym diagnostycznym i więcej warstwą pomagającego AI triage między kameralką buntusalną w klinice lekarza praktykującego lub klinice screeningowej a ludzkim graderem — oznaczając przypadki prawdopodobnie urgentne do szybkiego przeglądu, podczas gdy regularne i normowe przypadki mogą być przetwarzane z mniejszym obciążeniem ręcznym, woląc czas ekspertów na obrazach, dla których oni są najbardziej potrzebni.

Często zadawane pytania