Анемия, характеризующаяся снижением уровня гемоглобина и количества эритроцитов в единице объёма крови, является глобальной эпидемией: она затрагивает более трети населения мира и представляет особенно серьёзную угрозу для здоровья маленьких детей и беременных женщин. К сожалению, на фоне такой масштабной проблемы традиционные лабораторные методы скрининга требуют финансовых и технических ресурсов, что делает их эффективное применение невозможным в условиях ограниченных ресурсов или в отдалённых регионах.
Клиническая оценка бледности конъюнктивы предлагает быстрый и неинвазивный альтернативный подход, однако её диагностическая точность критически зависит как от квалификации специалиста, так и от условий освещения.
Роль искусственного интеллекта в диагностике
Недавний технологический прогресс показал, что глубокие сверточные нейронные сети (CNN) обладают значительным потенциалом для максимальной объективизации оценки конъюнктивы, устраняя влияние субъективности врача и внешних условий.
Как работают глубокие сверточные нейронные сети?
Глубокие сверточные нейронные сети (CNN) — это мощная форма искусственного интеллекта, широко применяемая для анализа визуальных данных. Их архитектура имитирует обработку зрительной информации человеческим мозгом.
Принцип работы CNN основан на разложении изображения на небольшие структурные элементы — так называемые признаки, такие как текстура, края или формы. Извлечение этих признаков происходит в ходе многоэтапной обработки:
Сверточные слои отвечают за выявление локальных визуальных паттернов.
Слои подвыборки (Pooling Layers) уменьшают размерность данных, сохраняя важную информацию.
Полносвязные слои выполняют окончательную классификацию объектов на основе извлечённых признаков.
Термин «глубокие» означает последовательное наложение большого количества таких слоёв, что позволяет сети изучать всё более сложные, иерархические и абстрактные признаки. Эта способность делает CNN незаменимыми для задач распознавания объектов, диагностики патологий на медицинских изображениях и выявления визуальных паттернов, труднодоступных для человеческого глаза.
Первые попытки компьютерного распознавания бледности конъюнктивы использовали относительно простые методы обработки изображений и пороговые алгоритмы, при которых компьютер искал определённый уровень интенсивности цвета. Диагностическая точность таких подходов составляла 80–84%.
Последние исследования уже применяют глубокие сверточные нейронные сети (CNN), которые значительно превосходят предыдущие технологии. Прорыва удалось достичь благодаря использованию ансамблевого обучения (комбинации нескольких моделей ИИ для получения более точного результата) и тренировке на расширенных наборах данных (искусственное увеличение и разнообразие обучающих изображений). Эти методы повысили точность почти до 90%. Самым значимым нововведением является то, что такие модели ИИ способны не только определять наличие анемии, но и дополнительно прогнозировать уровень гемоглобина — особенно важный показатель в педиатрических когортах.
Систематический обзор этой работы был выполнен в соответствии с руководством PRISMA.
Основные результаты исследования
Для исследования было отобрано 218 изображений конъюнктивы (датасет Eyes-Defy-Anemia), включая 126 здоровых пациентов и 92 пациента с анемией. Данные были разделены на обучающую, валидационную и тестовую группы в соответствии с критериями Всемирной организации здравоохранения (ВОЗ) по уровню гемоглобина (<12 г/дл для небеременных женщин и <13 г/дл для мужчин).
На автоматизированной платформе Google Vertex AI Automated ML были протестированы четыре модели сверточных нейронных сетей: две модели — на изображениях век (palpebral view), и две — на полноразмерных анатомических изображениях глаза.
Модели ИИ, «обученные» на полноразмерных изображениях глаза (с более широким анатомическим контекстом), продемонстрировали заметно лучшие диагностические показатели. Одна из моделей достигла AUC 0,899 и 100% чувствительности на палпебральных тестах. Напротив, модели, обученные только на обрезанных изображениях век, показали ограниченную чувствительность и низкий коэффициент каппа Коэна, что указывает на меньшую надёжность результатов. Кроме того, вычисленный моделью показатель напрямую коррелировал с тяжестью анемии.
Для того чтобы неинвазивная диагностика анемии стала надёжной и глобально доступной, критически важно стандартизировать процесс получения изображений и расширить базы данных с учётом различных этнических групп.
Источник: American Journal of Hematology
