Всередині Штучного Інтелекту для Скринінгу Діабетичної Ретинопатії: Від Фотографій Сітківки до Оцінки Рівня Ризику

Запуск програми скринінгу на національному рівні

Діабетична ретинопатія – це пошкодження кровоносних судин сітківки, спричинене тривалим підвищеним рівнем цукру в крові, і залишається однією з основних причин втрати зору серед дорослого населення Великої Британії. Близько 4,9 мільйона осіб у Великобританії живуть із діабетом, а Національна програма скринінгу захворювань очей (NHS DESP) запрошує понад 2,5 мільйона з них на фотографію сітківки щорічно, саме тому, що на ранніх стадіях ретинопатії немає симптомів, але її можна вилікувати, якщо вчасно виявити. Проведення скринінгу такого масштабу є дорогим і потребує значних трудових витрат для експертів, які оцінюють зображення на око, що й є тим саме повторюваним завданням з високим обсягом роботи та чітко визначеними зображеннями, яке викликало серйозний інтерес до використання штучного інтелекту для допомоги в оцінці – з оцінками, які свідчать про те, що AI-сортування може суттєво зменшити витрати на скринінг та допомогти експертам зосередитися на тих зображеннях, які найімовірніше потребують уваги.

П'ять стадій, один впорядкований масштаб

Клінічно діабетична ретинопатія класифікується від 0 до 4: відсутність ДР, легка, помірна, важка та прогресуюча, де кожна стадія описує все більш серйозні ушкодження – від мікроаневризм (малі червоні плями, де стінки судин випинаються) до крововиливів і ліпідних ексудатів, аж до прогресуючої хвороби, коли аномальні нові судини ростуть по сітківці та ставлять пацієнта перед серйозним ризиком втрати зору. На відміну від простого класифікації «так/ні», це ординальна задача: помилкове визначення стадії 0 як стадії 1 є значною помилкою, а помилкове визначення стадії 0 як стадії 4 – набагато більшою, і будь-яка модель, побудована для цієї задачі, повинна оцінюватися таким чином, щоб відображати це. Тут входить у дію Квадратична зважена Kappa (КЗК) – стандартний показник для цієї конкретної проблеми, який вимірює узгодженість з експертними оцінками та значно більше штрафує за віддалені помилки, ніж за сусідні

Очищення зображень сітківки перед тим, як мережа їх бачить

Зображення сітківки (фондус) значно різняться між камерами та клініками — відмінності в експонуванні, освітленні та навіть чорному обрізі навколо круглої області сітківки можуть додавати шум, який не має нічого спільного зі статусом ретинопатії пацієнта. Деякі стандартні попередні кроки вирішують це безпосередньо: обрізання чорного оточуючого обрізу, щоб мережа завжди дивилася лише на тканину сітківки; метод Бена Грейхема (підхід, який використовувався у переможній участі в оригінальному змаганні Kaggle 2015 року щодо діабетичної ретинопатії), що полягає у відніманні сильно розмитої версії зображення від самого себе для скасування нерівномірного локального освітлення та підвищення контрасту дрібних васкулярних аномалій; і CLAHE (Контраст обмеженої адаптивної гістограми рівномірного розподілу), який локально розширює контраст у невеликих областях зображення без надмірного підсилення шуму в вже яскравих або вже темних ділянках. Разом ці кроки роблять зображення, які досягають мережі, набагато більш послідовними, що має величезне значення, коли модель повинна узагальнювати з зображень, зроблених на різному обладнанні в різних NHS клініках.”]} 1.

paragraphs_count

Чому використовуються перенесені знання та стратегія навчання у двох етапах

Замість навчання мережі з нуля, для набору даних із кількох тисяч розмічених зображень сітківки більш ефективним підходом є перенесення знань: починаючи з мережі, такої як EfficientNet-B3, яка попередньо навчена на мільйонах загальних зображень з ImageNet, та адаптуючи її до цієї конкретної задачі. Навчання відбувається у двох етапах. У першому етапі застигає попередньо навчена

основа

') і навчається лише нещодавно додана класифікаційна шапка — глобальне середнє поглиблення, що супроводжується щільними шарами — дозволяючи моделі швидко відображати вже багаті загальні візуальні ознаки

основи

') на п'ять ступенів діабетичної ретинопатії. У другому етапі останні кілька шарів

основи

') розморожуються та піддаються тонкій настройці з набагато нижчою швидкістю навчання (зазвичай в десять разів меншою, ніж у першому етапі), дозволяючи глибшим візуальним ознакам мережі незначно адаптуватися до специфічних текстур патології сітківки без руйнування того, що вони вже навчилися з набагато більшого та більш загального набору даних. Оскільки стадії діабетичної ретинопатії природно незбалансовані в реальних даних — більшість людей, які проходять скринінг, не мають жодної ретинопатії — під час навчання застосовується вагофікація класів, щоб модель не винагороджувалася лише за прогнозування «відсутності DR» на кожному зображенні.

Grad-CAM: як модель показує свою роботу

Система оцінювання такої значущості не може бути чорною скринькою. Grad-CAM (Gradient-weighted Class Activation Mapping) – це техніка, яка відстежує процес через мережу, щоб визначити, які області вхідного зображення найбільше вплинули на його остаточне передбачення, створюючи теплову карту, що показує, де «дивилася» модель. Для добре навченої моделі для скринінгу діабетичної ретинопатії ця теплова карта повинна підсвічуватися над справжньою патологією – кластерами мікроаневризмів, ділянками крововиливів, областями неоваскулярного зростання – а не над непотрібними частинами зображення, такими як оптичний диск або артефакти зображення. Цей тип інтерпретованості не просто корисний для створення довіри лікарів; британські регулятори, включаючи MHRA та NHS AI Lab, вимагають, щоб інструменти діагностики штучним інтелектом могли пояснювати свої міркування в певному ступені, перш ніж їх можна буде використовувати в клінічному протоколі.

Від оцінки до клінічної дії

Остання складова, яка робить модель клінічно значущою, – це відображення кожного прогнозованого ступеня на конкретну рекомендовану дію, а не залишення його як абстрактного числа: відсутність ДР може означати профілактичний скринінг через рік, незначні або помірні ознаки ДР можуть скоротити цей інтервал або спровокувати направлення до офтальмолога протягом кількох місяців, а важкі або розсіяні форми захворювання повинні викликати термінове направлення протягом тижнів, враховуючи реальний ризик втрати зору. Створена таким чином, інструмент стає менш діагностичною заміною та більше шаром AI-підтримки для триажу, який знаходиться між фондоскопом у поліклініці або центрі скринінгу та експертом-оцінювачем – виявляючи ймовірні термінові випадки для швидкого розгляду, а звичайні нормальні випадки можуть оброблятися з меншим ручним навантаженням, звільняючи час досвідчених фахівців для зображень, які потребують уваги.

Часті запитання

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте the simulation і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.