Авторы статьи [46] по результатам исследования вместо использования изображений глазного дна одного глаза в качестве входных данных построили новую модель CNN на основе обученной с помощью трансферного обучения Inception V3, которая способна принимать изображения глазного дна обоих глаз в качестве входных данных и выводить результат классификации каждого глаза одновременно. Предложенная модель бинокля обеспечивает более высокую производительность, чем модель монокуляра Inception V3. Однако у бинокулярных моделей возникнут трудности в обучении или тестировании с другим набором данных, в котором парные изображения глазного дна недоступны.
По результатам исследования [29] предлагается подход, который превосходит шесть существующих современных архитектур, а именно ResNet-50, VGG-19, Inception-v3, MobileNet, Xception и VGG16.
Исследователями [28] предложен подход, который приводит к более высокой диагностической точности, чувствительности и специфичности по сравнению с другими, основанными на CNN, и методами на основе SVM, опубликованными в литературе. Исследователи делают выводы:
- методы глубокого обучения, включая CNN, подвержены переобучению. Поэтому чтобы свести к минимуму переобучение и обеспечить беспристрастную оценку при использовании доступного ограниченного набора данных, предложены способы увеличения данных для каждого класса, а также использование перекрестной проверки;
- кроме того, они продолжат развертывание капсульных сетей, недавно представленных Джеффри Хинтоном, чтобы классифицировать изображения глазного дна.
Ансамбли моделей
Исследование [12] посвящено гибридному подходу к классификации диабетической ретинопатии с использованием предварительно обученных глубоких сверточных нейронных сетей, таких как InceptionV3 и VGG19. Гибридный подход состоит из таких этапов, как выбор данных, масштабирование изображения, извлечение признаков, объединение признаков и выбор признаков.
Исследование [30] доказывает, что предложенный метод с использованием гибридного подхода превосходит другие существующие подходы.
Авторы работы [18] по результатам исследования делают вывод, что гибридная модель по сравнению с единой базовой моделью может улучшить характеристики классификации во всех аспектах: точности, чувствительности, специфичности, прецизионности и Fl-оценки.
Авторы статьи [45] по результатам исследования делают вывод, что в будущем можно улучшить производительность модели путем добавления дополнительных слоев.
Исследование [14] доказывает, что разнообразие базовых классификаторов, используемых для структуры ансамбля, является ключевым фактором для высокой точности классификации модели ансамбля.
В работе [48] по результатам исследования для VeriSee использовались как модифицированные архитектуры ResNet, так и Inception-v4 для разных характеристик сети. Авторы работы делают вывод, что предложенные алгоритмы в этом исследовании не были обучены дифференцировать диабетическую ретинопатию от других заболеваний сетчатки, таких как возрастная дегенерация желтого пятна, окклюзия вен сетчатки и т.д.
В статье [40] по результатам исследования представлена объединенная модель для лечения трех заболеваний глаз, т.е. диабетической ретинопатии, диабетического макулярного отека и глаукомы. Авторы статьи делают вывод, что в будущем исследовательская работа будет расширена за счет изучения других заболеваний сетчатки, таких как катаракта, возрастная дегенерация отека желтого пятна и т.д.
Исследование [47] доказывает, что в будущих работах больше внимания будет уделяться нейронным сетям, спроектированным на основе объединения функций (ансамблевого обучения).
Разработка системы
Авторы работы [36] по результатам исследования установили, что последние технологические достижения сделали доступными на рынке системы обработки изображений сетчатки на базе смартфонов для выполнения малогабаритного, маломощного и доступного по цене скрининга ДР в разнообразных средах.
В настоящее время существует несколько проблем для создания системы распознавания изображений на смартфонах: из-за ограничений вычислительной мощности, емкости батареи и свойства камеры в смартфонах.
Например, изображения, снятые системами на базе смартфонов, имеют более низкое качество и более узкое поле зрения по сравнению с традиционной камерой глазного дна из-за меньшего количества контролируемых параметров, большей чувствительности к изменению освещения и недорогим линзам, использованным в конструкции. Поэтому необходимо учитывать все сложные вопросы при разработке алгоритмов для систем обработки изображений на базе смартфонов.
В работе [34] учтена не только цель повышения точности классификации, но также приняты во внимание два важных вопроса для реального развертывания решения: вычислительная сложность и сложность реализации.
По результатам исследования сделана ставка на эффективность и простоту сети. Такой результат важен для развертывания решения на мобильных устройствах и устройствах с низким энергопотреблением. Авторы делают вывод, что в дальнейшей работе запланировано улучшение понимания, как сеть достигает своего решения. В частности, запланировано сделать процедуру принятия решений более интерпретируемой, чтобы обеспечить подотчетную процедуру проверки врачам.
В будущей работе запланировано исследование усиления моделей, которые позволят эффективно выбирать между точностью и потреблением объема памяти, чтобы обойти облачные сервисы и встраивать в портативные ретинальные камеры.
Авторы статьи [44] делают вывод: при скрининге населения с серьезными заболеваниями достижение высокой чувствительности и высокой специфичности имеет решающее значение для получения минимальных ложно-положительных и ложноотрицательных результатов.
В исследовании [21] предложено решение, которое, с одной стороны, классифицирует изображения сетчатки на разные уровни тяжести с хорошей производительностью. С другой стороны, классификатор может объяснять результаты классификации.
Исследование [32] доказывает, что будущая цель этого исследования - разработка недорого оборудования, способного классифицировать изображения сетчатки в реальном времени на месте. Авторы делают вывод, что это может быть достигнуто дальнейшей оптимизацией представленной модели или рассмотрением альтернативных моделей, таких как рекуррентная нейронная сеть.
В работе [13] цель заключалась в уменьшении сложности модели при одновременном повышении ее производительности. С этой целью разработана эффективная профессиональная методика выбора тренировочных патчей. Авторы делают вывод о необходимости дальнейших исследований, создании отдельных моделей для каждого типа поражения, такой как МА, кровоизлияния и даже яркие поражения, такие как экссудаты.
По результатам исследования [24] выявлено 11 случаев оцененных вручную референтной ДР, ошибочно классифицированных как не имеющие ДР автоматизированной системой. Авторы делают вывод, что, несмотря на ограниченную специфичность, автоанализ изображения сетчатки потенциально может быть ценным в различных сценариях скрининга ДР с относительно высокой чувствительностью.
Общие замечания
Британская диабетическая ассоциация предложила, чтобы любая программа скрининга диабетической ретинопатии должна иметь чувствительность не менее 80 % и специфичность 95 %.
Несмотря на то что значительные успехи были достигнуты в анализе изображений сетчатки глаза, еще есть место для поиска лучшего алгоритма, который превосходит все с точки зрения точности. Причем предлагаемый способ должен нести минимум ложноотрицательных результатов и помогать офтальмологам сосредоточиться на поражениях на изображениях глазного дна. Основной проблемой в САПР обнаружения микроаневризмов (МА) является неспособность алгоритма обнаружить МА очень близко к кровеносным сосудам или очень тонкий MA.
Ученые делают вывод, что в литературе есть несколько алгоритмов, которые могут помочь офтальмологу в простом компьютерном скрининге ДР. Метод считается лучшим, если он быстрый, рентабельный и точный. Все эти ограничения - потребность времени. Это действительно сложно для исследователей - определить лучшие алгоритмы и получить эффективную пропускную способность. У молодых исследователей есть огромные новые области, такие как глубокое обучение, но с минимальным временем обучения, изучение словаря для конкретных поражений, поиск лучших характеристик и надежных классификаторов для достижения самых высоких показателей точности [10].
Исследование [26] доказывает, что применение автоматизированного инструмента оценки ДР на базе DL по цветным изображениям глазного дна может предоставить альтернативное решение для уменьшения количества ошибочных диагнозов и улучшения рабочего процесса. Автоматизированные инструменты могут улучшить качество скрининга ДР, доступность медицинских услуг, ухода, а также снизить стоимость обследования. Более раннее обнаружение и своевременное лечение могут предотвратить начало болезни или помогут остановить прогрессирование на более раннем этапе.
Заключение
Таким образом, исходя из проведенного обзора литературы, методы машинного обучения широко распространены в решении задач компьютерного зрения для офтальмологии. Вместе с тем глубокое обучение характеризуется высокой точностью, чувствительностью и специфичностью по результатам распознавания заболеваний на изображениях глаза. Кроме того, в последние годы наблюдается рост заболеваемости сахарным диабетом и ухудшения зрения от диабетической ретинопатии. Это обуславливает необходимость увеличения количества обезличенных размеченных профильным специалистом медицинского учреждения наборов данных изображений глаза для своевременного лечения и профилактики диабетической ретинопатии. В связи с этим требуется рассмотреть возможности улучшения методов предварительной обработки изображений.
Однако существующие на сегодня нейросетевые методы определения диабетической ретинопатии являются недостаточно интерпретируемыми, вызывают ложноположительные и ложноотрицательные результаты диагностики, обладают недостаточной способностью к сегментации поражения глаза на изображениях и к классификации для установления диагноза между отсутствием заболевания и наличием начальной стадии легкой степени тяжести поражения глаза, недоступны для широкого внедрения на мобильных устройствах вследствие высокой вычислительной мощности. Поэтому рекомендовано исследовать объединение различных моделей в ансамбли, которое за счет преимуществ каждой отдельной нейронной сети улучшит общий результат.
В настоящее время разработаны методы, успешно применяемые при схожих задачах распознавания изображений: капсульные и рекуррентные нейронные сети. В литературе есть единичные описания исследований применения капсульных и рекуррентных нейронных сетей при определении диабетической ретинопатии по изображениям глаза. Ввиду этого возможно использование предложенных алгоритмов в диагностировании заболеваний глаза.
Список литературы
1. Дедов И. И., Шестакова М. В., Викулова О. К. [и др.]. Атлас регистра сахарного диабета Российской Федерации. Статус 2018 г. // Сахарный диабет. 2019. Т. 22, № 2S. С. 4-61. doi:10.14341/DM12208
2. Чухраев А. М., Ходжаев Н. С., Кечин Е. В. Анализ структуры телемедицинских консультаций по профилю «Офтальмология» в Российской Федерации // Здравоохранение Российской Федерации. 2020. Т. 64, № 1. С. 22-28. doi:10.18821/0044-197X-2019-64-1-22-28
3. Черных В. В., Ходжаев Н. С., Шахов В. Г. Методология развития телемедицинских и информационных систем ФГАУ «МНТК «Микрохирургия глаза» им. акад. С.Н. Федорова» Минздрава России на примере Новосибирского филиала // Офтальмохирургия. 2018. № 1. С. 84-90. doi:10.25276/0235-4160-2018-1-84-90
4. Добров Э. Р. Применение больших данных в телеофтальмологии // Инженерный вестник Дона. 2021. № 7. С. 138-157.
5. Нероев В.В., Брагин А. А., Зайцева О. В. Разработка прототипа сервиса для диагностики диабетической ретинопатии по снимкам глазного дна с использованием методов искусственного интеллекта // Национальное здравоохранение. 2021. Т. 2, № 2. C. 64-72. doi:10.47093/2713-069X.2021.2.2.64-72
6. Samanta A., Saha A., Satapathy S. C. [et al.]. Automated detection of diabetic reti-nopathy using convolutional neural networks on a small dataset // Pattern Recognition Letters. 2020. Vol. 135. P. 293-298. doi:10.1016/j.patrec.2020.04.026
7. Ayala A., Figueroa T. O., Fernandes B., Cruz F. Diabetic Retinopathy Improved De-tection Using Deep Learning // Applied Sciences. 2021. Vol. 11, № 24. P. 1-11. doi:10.3390/app112411970
8. Bora A., Balasubramanian S., Babenko B. [et al.]. Predicting the risk of developing diabetic retinopathy using deep learning // The Lancet Digital Health. 2021. Vol. 3, № 1. P. 10-19. doi:10.1016/S2589-7500(20)30250-8
9. Sugeno A., Ishikawa Y., Ohshima T., Muramatsu R. Simple methods for the lesion detection and severity grading of diabetic retinopathy by image processing and transfer learning // Computers in Biology and Medicine. 2021. Vol. 137, № 14. P. 1-9. doi:10.1016/j.compbiomed.2021.104795
10. Biyani R. S., Patre B. M. Algorithms for red lesion detection in Diabetic Retinopathy: A review // Biomedicine & Pharmacotherapy. 2018. Vol. 107, № 4. P. 681-688. doi:10.1016/j.biopha.2018.07.175
11. Tsai C.-Y., Chen C.-T., Chen G.-A. [et al.]. Necessity of Local Modification for Deep Learning Algorithms to Predict Diabetic Retinopathy // International Journal of Environmental Research and Public Health. 2022. Vol. 19, № 3. P. 1-12. doi:10.3390/ ijerph19031204
12. Zia F., Irum I., Qadri N. N. [et al.]. A Multilevel Deep Feature Selection Framework for Diabetic Retinopathy Image Classification // Computers, Materials & Continua. 2022. Vol. 70, № 2. P. 2261-2276. doi:10.32604/cmc.2022.017820
13. Zago G. T., Andreao R. V., Dorizzi B. [et al.]. Diabetic retinopathy detection using red lesion localization and convolutional neural networks // Computers in Biology and Medicine. 2020. Vol. 116. P. 1-12. doi:10.1016/j.compbiomed.2019.103537