来自斯科尔科沃-沙迦大学联合实验室和AIRI研究所的研究人员开发了一种自动化分析视网膜图像的方法，用于诊断糖尿病视网膜病变。这种病变是指糖尿病患者视网膜受损，可能导致永久性失明。
根据具体情况和医生的技术水平，检查视网膜图像中的血管网络并做出诊断可能需要10到40分钟。在《模式识别通讯》杂志上发表的一篇文章中，研究团队的人工智能解决方案可以瞬间提供结果，留给眼科医生进行审核和确认。
眼科医生使用专门的相机拍摄视网膜图像并进行研究，手动分割照片。这包括区分背景和不同长度、宽度及曲折度的血管——后者指的是肿胀模式。视网膜血管网络的特征可以指向糖尿病视网膜病变以及其他眼部和心血管疾病，甚至动脉粥样硬化。然而，手动图像分割非常困难、耗时且容易出错。
现在，研究人员通过自动化这一艰巨任务，不仅有望为眼科医生节省时间，还可能消除一些人为错误。通过在由顶级医生研究过的双重检查案例样本上训练他们的AI系统，研究团队在三个最先进的数据集上取得了出色的性能表现。这包括在行业标准数据库DRIVE上达到了超过97%的准确率和超过84%的敏感度。
“对于这项研究来说，达到97%的准确率并不难，因为数据的性质使然。最重要的是敏感度。它反映了模型识别微血管的能力，这是以前的模型所难以做到的。”论文的主要作者梅拉库·格塔洪解释说。他是斯科尔科沃工程系统项目的博士生。
使这种分割特别具有挑战性的是视网膜照片中的细微细节，这些细节必须被考虑在内，但往往会被之前开发的神经网络和一些手动分析这些图像的眼科专家忽略。
“在这项研究中，我们提出了一种不同于先前方法的神经网络架构，这些方法往往忽略了视网膜中的微血管。”格塔洪说。“我们还引入了一种算法，通过理解视网膜血管图像数据的基本性质来调整模型的输出。这有助于避免将血管像素误分类为背景。”
研究团队面临的一个挑战是数据集的规模有限：虽然由专家两次分割并用于训练神经网络的图像是相当可靠的，但可用的数量并不如理想中那么多。
“这阻碍了模型对未见过的数据进行有效泛化的能力。然而，通过仔细应用数据增强和处理技术，我们显著提高了模型的性能。”研究的俄方首席研究员、斯科尔科沃人工智能研究所高级研究员奥列格·罗戈夫说。他还是AIRI可靠和安全智能系统小组的负责人。
“即使采用了新的神经网络架构，某些微血管像素仍被误分类为背景的问题仍然存在。为了解决这个问题，我们实施了一种自适应阈值算法，这在敏感度和准确度方面带来了显著改进。”
当被问及该解决方案的未来前景时，研究团队表示，能够发现细小的不健康血管对于临床应用非常有价值。随着系统的不断发展，研究人员说，它可能成为眼科疾病筛查的标准工具，帮助眼科医生更快更准确地诊断病情。这项工作为早期检测眼病开辟了新的可能性，并通过早期干预带来更好的患者预后，因为小血管通常会显示出眼病的最初迹象。
“这有助于早期诊断和预防难以治疗的眼病，如糖尿病视网膜病变，这种病变在高发病率的糖尿病人群中很常见，以及相关的微血管眼病。”研究合著者、沙迦大学教授里法特·哈穆迪补充道。
这项研究是在生物信息人工智能实验室（BIMAI-Lab）进行的，这是一个由斯科尔科沃-沙迦大学联合实验室共同领导的研究机构，负责人为斯科尔科沃的助理教授马克西姆·沙拉耶夫和沙迦大学的里法特·哈穆迪教授。BIMAI-Lab的团队还包括沙迦大学的艾哈迈德·布尔达内教授，他在将人工智能应用于医疗数据分析方面拥有丰富的经验。
(全文结束)
