Dirbtinio intelekto kūrimo ir pritaikymo strategijos amžinės geltonosios dėmės degeneracijos diagnostikoje

Abstract

Amžinė geltonosios dėmės degeracija yra viena iš pirmaujančių aklumo priežaščių pasaulyje. Pagerėjus vaizdinių tyrimų taikymui ir atsiradus neovaskulinės formos gydymui su kraujagyslių endotelio augimo faktorių inhibitoriais, aklumą galima pavėlinti ar jo net išvengti. Tačiau, siekiant tai įgyvendinti, reikalingas dažnas sekimas ir patikra, pritaikant optinę koherentinę tomografiją (OKT). Detalus šio tyrimo aprašymas užtrunka net ir patyrusiam specialistui, tad, didėjant OKT vaizdų kiekiui, neišvengiamai didėja ir specialistų darbo krūvis. Dirbtinio intelekto technologijų pritaikymas vaizdų analizei galėtų sumažinti darbo krūvi ir pagerinti sveikatos priežiūros paslaugų kokybę. Šias technologijas aktyviai bandoma pritaikyti dermatologijoje, patologijoje, radiologijoje, taip pat ir oftalmologijoje – srityse, kuriose vaizdiniai tyrimai naudojami diagnozei pagrįsti. Pagrindinis taikomas metodas yra gilieji konvoliuciniai neuroniniai tinklai, kurių struktūra paremta daugeliu sujungtų sluoksnių, kurie yra sudaryti neuronų principu. Šie modeliai, klasifikuodami vaizdus, gali pasiekti ar net viršyti žmonių tikslumą. Tokių sistemų kūrimui reikalingas glaudus bendradarbiavimas tarp algoritmų kūrime dirbančių informacinių technologijų specialistų bei gydytojų. Todėl yra reikalingas bendras suvokimas, kaip yra kuriami ir vertinami dirbtinio intelekto algoritmai. Taigi, šiame straipsnyje apžvelgiamos bendrosios dirbtinio intelekto kūrimo ir vertinimo strategijos, taip pat metodai, kurie buvo taikomi siekiant sukurti konvoliucinių neuroninių tinklų algoritmus, amžinės geltonosios dėmės degeneracijos klasifikacijai iš optinės koherentinės tomografijos vaizdų.

Age-related macular degeneration is a leading cause of blindness in the western world. With improved imaging modalities and new advances in treatment with vascular endothelial growth factor inhibitors, it is possible to delay or even prevent vision loss in people with the neovascular form of the disease. However, meticulous surveillance with optical coherence tomography (OCT) is needed in order to achieve improvement of outcomes. This approach generates significant amounts of medical images, thus increasing the workload for retinal specialists. Implementation of artificial intelligence in telemedicine could improve work flow and health care quality. In fact, medical specialties that have imaging-based diagnostic such as dermatology, radiology, pathology and ophthalmology are already implementing artificial intelligence-based diagnostic algorithms into clinical practice. At the forefront of artificial intelligence in computer vision, are convolutional neural networks (CNNs) that are based on deep layers of artificial inter-connected neurons that are able to achieve and surpass the human-level classification of images. The development of such algorithms for specific clinical tasks requires close collaboration between developers and clinicians, with the later requiring deep knowledge of the stages and features of CNN development. Therefore, in this review article we discuss current strategies on the creation and evaluation of artificial intelligence models based on CNNs, as well as specific strategies that are used to classify OCT images using biomarkers of age-related macular degeneration.