КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

 

ОБЩИЕ СВЕДЕНИЯ

---

Номер 23-75-01007

НазваниеРазработка методов ранней диагностики социально значимых заболеваний глаза на основе автоматизированного распознавания признаков на цветных фотографиях с использованием алгоритмов машинного обучения

РуководительСветозарский Сергей Николаевич, Кандидат медицинских наук

Организация финансирования, регион федеральное бюджетное учреждение здравоохранения "Приволжский окружной медицинский центр" Федерального медико-биологического агентства, Нижегородская обл

Период выполнения при поддержке РНФ

07.2023 - 06.2025

Конкурс№84 - Конкурс 2023 года «Проведение инициативных исследований молодыми учеными» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными.

Область знания, основной код классификатора 05 - Фундаментальные исследования для медицины, 05-224 - Офтальмология

Ключевые словаглаукома, сетчатка, диабетическая ретинопатия, возрастная макулярная дегенерация, катаракта, роговица, диагностика, скрининг, персонализированная медицина, биомедицинская оптика, искусственный интеллект, машинное обучение

Код ГРНТИ76.29.56

---

 

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

---

Аннотация
Актуальность. В Российской Федерации насчитывается более 100 тысяч человек с установленной инвалидностью вследствие болезней глаза [https://www.sechenov.ru/upload/medialibrary/26f/Avtoreferat-Nazaryan-MG_2019-v-pechat.pdf]. К числу ведущих причин слепоты и слабовидения в нашей стране относятся глаукома, болезни сетчатки и зрительного нерва, дегенеративная миопия, катаракта и болезни роговицы. Ранние стадии данных заболеваний зачастую протекают бессимптомно, что затрудняет своевременную диагностику и ухудшает прогноз лечения. Несмотря на большие достижения в ходе эволюции программ массового скрининга, процент позднего выявления социально значимых офтальмологических заболеваний остается высоким. Цветная фотография переднего отрезка и глазного дна – ценный источник специфических биомаркеров, связанных с изменением состояния роговицы, хрусталика, зрительного нерва, макулярной области сетчатки и ретинальных сосудов. Фотографирование переднего отрезка и глазного дна отличается высокой скоростью, неинвазивностью, низкой стоимостью, низкими требованиями к подготовке оператора, малым количеством изображений, необходимых для скрининга. По сравнению с традиционными методами применение технологий искусственного интеллекта может значительно повысить скорость и результативность анализа изображений. Целью проекта является разработка методов ранней диагностики социально значимых офтальмологических заболеваний на основе автоматизированного распознавания признаков на цветных фотографиях с использованием алгоритмов машинного обучения. (1) Будет создана аннотированная база данных цветных изображений переднего отрезка и глазного дна пациентов с соответствующими заболеваниями и здоровых лиц. (2) Будет разработана адаптированная под задачи офтальмологии методика предобработки изображений. В настоящее время разметка изображений является наиболее трудоемким и затратным этапом разработки систем искусственного интеллекта, а создание новых методов автоматизированной предобработки является одной из наиболее актуальных задач в данной сфере. (3) Изображения из разработанной базы данных после прохождения предобработки будут размечены специалистами-офтальмологами. (4) Размеченные изображения будут использованы для обучения системы, в основу которой будут по заложены методы, показавшие наилучшие показатели чувствительности и специфичности на этапе тестирования. В частности будут разработаны и протестированы системы, реализуемые на основе моделей глубокого обучения YOLOv5 (одноэтапный метод) и FasterR-CNN (двухэтапный метод), а также пакета градиентного "бустинга" деревьев решений. (5) Параметры эффективности разработанных методов диагностики будут оценены в сравнении с показателями практикующих офтальмологов. Будет проведено клиническое испытание разработанного прототипа системы ранней диагностики заболеваний сетчатки с проведением полевого эксперимента. Научная новизна. (1) Впервые будет создана отечественная аннотированная база данных цветных изображений переднего отрезка и глазного дна пациентов с офтальмологическими заболеваниями и здоровых лиц. Уникальность создаваемой базы данных в том, что помимо исходных снимков она будет содержать мета-данные о пациентах, включая возраст, пол, установленные заболевания и ряд других предикторов. (2) Будет разработан метод предобработки изображений, который позволит значительно сократить время, которое требуется специалистам для разметки необработанных изображений. (3) Будет разработан метод ранней диагностики социально значимых офтальмологических заболеваний, который позволит распознавать ранние признаки болезни с точностью, сравнимой с показателями практикующих офтальмологов, и объяснять полученные результаты с указанием зоны расположения признаков, решая проблему "черного ящика". (4) На основании клинико-организационного эксперимента будут впервые определены возможности и ограничения разрабатываемого метода в условиях реальной клинической практики.

Ожидаемые результаты
В настоящем проекте будет создана оригинальная аннотированная база данных цветных изображений сетчатки пациентов с социально значимыми офтальмологическими заболеваниями и здоровых лиц. Уникальность создаваемой базы данных в том, что помимо исходных снимков она будет содержать мета-данные о пациентах, включая возраст, пол, установленные заболевания сетчатки и ряд других предикторов, а также результаты предобработки и разметки изображений. В этом заключается принципиальное отличие и преимущество создаваемой базы по сравнению с существующими базами цветных фотографий, где мета-данные полностью отсутствуют. При этом будет разработан метод, который позволит перевести задачу распознавания аномалий на изображениях глазного дна из плоскости распознавания изображений в плоскость классификации в пространстве многомерных признаков. Задачи классификации объектов со множеством признаков будут решаться в том числе с помощью таких инструментов как пакет градиентного "бустинга" деревьев решений (XGBoost). Подготовка данных для разметки будет реализована в несколько этапов. Вначале изображение проходит специальный фильтр для удаления артефактов , возникающих при съемке. Затем с помощью анализа градиентов и цветовых пятен выделяется ряд аномальных сегментов, которые впоследствие объединяются в кластеры, представляющие специфический патологический признак. Кластеры отмечаются на изображении и специалисту на этапе разметки необходимо указать тип патологического признака, соответствующий этому элементу на исходном изображении. Среди особенностей данного метода следует выделить возможность улучшать параметры сегментатора/кластеризатора непосредственно в процессе его работы, путем усиления внимания к особенностям, которые присутствуют на ранее классифицированных специалистом сегментах. Разработка данного метода обработки изображений позволит решить одну из наиболее актуальных задач в данной сфере, значительно облегчив и ускорив выполнение наиболее трудоемкого этапа разработки систем искусственного интеллекта в медицине - разметки данных. Размеченные данные будут использованы в настройке моделей глубокого обучения YOLOv5 (одноэтапный метод) и FasterR-CNN (двухэтапный метод), а также пакета градиентного "бустинга" деревьев решений. Тестирование полученных моделей позволит определить наиболее точную из разработанных моделей, с которой будет проводиться дальнейшая работа по настройке и сравнению с результатами практикующих офтальмологов. Наличие того или иного набора аномалий на изображении планируется представлять с указанием вероятности в процентах. При этом будет достигнута точность, достаточная для информирования пациента о вероятности наличия заболевания, а также для принятия решения о направлении пациента на углубленное обследование. Выявление таких заболеваний, как глаукома, диабетическая ретинопатия и возрастная макулярная дегенерация, на ранней стадии улучшит прогноз для пациентов за счет раннего превентивного лечения и адекватного мониторинга. В результате, будет разработан метод ранней диагностики социально значимых офтальмологических заболеваний, позволяющий усовершенствовать существующие технологии скрининга. При этом планируется достигнуть точности распознавания заболеваний, сравнимой с с показателями практикующих офтальмологов.

---

 

ОТЧЁТНЫЕ МАТЕРИАЛЫ

---