斯科尔科沃科学技术研究院（Skolkovo Institute of Science and Technology）的研究人员与沙迦大学（University of Sharjah）联合实验室及AIRI研究所合作，开发了一种自动化分析用于诊断糖尿病视网膜病变的视网膜图像的方法。糖尿病视网膜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》（Pattern Recognition Letters）上发表的一篇文章中，研究团队的AI解决方案可以即时提供结果，只需眼科医生审核和确认这些发现。
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、宽度和扭曲度的血管——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，研究人员已经将这一艰巨任务自动化，不仅有望为眼科医生节省时间，还可能减少一些人为错误。通过在由顶尖医生双重复核的高可靠性样本上训练他们的AI系统，该团队在三个最先进的数据集上取得了优异的表现。其中包括在行业标准数据库DRIVE上的准确率超过97%，敏感度超过84%。
“对于这项研究来说，达到97%的准确率并不难，因为数据本身的性质决定的。最重要的是敏感度。它反映了模型识别微血管的能力，这是以前的模型难以做到的。”该论文的主要作者、斯科尔科沃科学技术研究院工程系统项目的博士生Melaku Getahun解释道。
这种分割特别具有挑战性的原因是视网膜照片中的细微细节，这些细节必须被考虑进去，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所忽略。
“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。”Getahun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特性来调整模型的输出。这有助于避免将血管像素误分类为背景。”
团队面临的一个挑战是数据集的规模有限：尽管用于训练神经网络的由专家双重复核的图像相当可靠，但数量并不如理想中那么多。
“这阻碍了模型对未见过的数据的有效泛化。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。”研究的俄罗斯方面主要调查员、斯科尔科沃人工智能高级研究员Oleg Rogov表示，他还是AIRI可靠和安全智能系统小组的负责人。
“即使使用我们的新神经网络架构，某些微血管像素被误分类为背景的问题仍然存在。为此，我们实施了一种自适应阈值算法，这大大提高了敏感度和准确度。”
当被问及该解决方案的未来前景时，团队评论称，能够发现细小的不健康血管在临床上应该很有价值。随着系统的不断发展，研究人员表示，它可能会成为眼病筛查的标准工具，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，并可能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那些难以治疗的眼部疾病，例如糖尿病视网膜病变，这种疾病在糖尿病发病率高的群体中普遍存在，以及相关的微血管眼病。”研究合著者、沙迦大学教授Rifat Hamoudi补充道。
(全文结束)
