Отправить статью по E-mail Технологии машинного обучения и искусственной нейронной сети в классификации посткератотомической деформации роговицы
- Авторы: Цыренжапова Е.К.1, Розанова О.И.1, Юрьева Т.Н.1,2,3, Иванов А.А.1, Розанов И.С.4
-
Учреждения:
- Национальный медицинский исследовательский центр «Межотраслевой научно-технический комплекс “Микрохирургия глаза” имени академика С.Н. Фёдорова»
- Иркутский государственный медицинский университет
- Российская медицинская академия непрерывного профессионального образования
- ООО «Транснефть-Технологии»
- Выпуск: Том 5, № 1 (2024)
- Страницы: 64-74
- Раздел: Оригинальные исследования
- URL: https://ogarev-online.ru/DD/article/view/262961
- DOI: https://doi.org/10.17816/DD624022
- ID: 262961
Цитировать
Аннотация
Обоснование. Тщательный анализ как оптических, так и анатомических свойств роговицы у пациентов после перенесённой передней радиальной кератотомии приобретает особое значение в выборе оптической силы интраокулярной линзы при хирургическом лечении катаракты и других видах оптической коррекции. Вариабельность клинической картины посткератотомической деформации определяет необходимость разработки её классификации и является важной задачей современной офтальмологии.
Цель — разработать автоматизированную систему классификации посткератотомической деформации роговицы с использованием машинного обучения и искусственной нейронной сети на основе анализа численных значений топографических карт роговицы.
Материалы и методы. В качестве материала использовались обезличенные результаты анализа медицинской документации 250 пациентов в возрасте от 46 до 76 лет (средний возраст — 59,63±5,95 года). Проведён анализ 500 карт рельеф-топографии передней и задней поверхностей роговицы и 3 этапа машинного обучения классификации посткератотомической деформации.
Результаты. I этап — анализ рельеф-топографии передней и задней поверхностей роговицы — позволил зафиксировать численные значения элевации передней и задней поверхности роговицы в трёх кольцевидных зонах. На II этапе в ходе глубокого машинного обучения была выбрана и создана нейросеть прямого распространения. Установлены 8 вспомогательных параметров, описывающих форму передней и задней поверхностей роговицы. III этап сопровождался получением алгоритмов классификации посткератотомической деформации роговицы в зависимости от соотношения тестовой и обучающей выборок, которое варьировало от 75 до 91%.
Заключение. Разработана искусственная нейронная сеть, успешно решающая задачу классификации типов посткератотомической деформации роговицы с точностью 91%. Установлен потенциал для дальнейшего улучшения качества обучения данной нейронной сети. Применение алгоритмов искусственной нейронной сети может стать полезным инструментом автоматической классификации посткератотомической деформации роговицы у пациентов, перенёсших ранее радиальную кератотомию.
Полный текст
Открыть статью на сайте журналаОб авторах
Екатерина Кирилловна Цыренжапова
Национальный медицинский исследовательский центр «Межотраслевой научно-технический комплекс “Микрохирургия глаза” имени академика С.Н. Фёдорова»
Email: katyakel@mail.ru
ORCID iD: 0000-0002-6804-8268
SPIN-код: 1158-5233
MD
Россия, ИркутскОльга Ивановна Розанова
Национальный медицинский исследовательский центр «Межотраслевой научно-технический комплекс “Микрохирургия глаза” имени академика С.Н. Фёдорова»
Email: olgrozanova@gmail.com
ORCID iD: 0000-0003-3139-2409
SPIN-код: 6557-9123
д-р мед. наук
Россия, ИркутскТатьяна Николаевна Юрьева
Национальный медицинский исследовательский центр «Межотраслевой научно-технический комплекс “Микрохирургия глаза” имени академика С.Н. Фёдорова»; Иркутский государственный медицинский университет; Российская медицинская академия непрерывного профессионального образования
Email: tnyurieva@mail.ru
ORCID iD: 0000-0003-0547-7521
SPIN-код: 8457-5851
д-р мед. наук, профессор
Россия, Иркутск; Иркутск; ИркутскАндрей Александрович Иванов
Национальный медицинский исследовательский центр «Межотраслевой научно-технический комплекс “Микрохирургия глаза” имени академика С.Н. Фёдорова»
Email: ivanov.andrei.med@yandex.ru
ORCID iD: 0009-0001-4235-9252
MD
Россия, ИркутскИван Сергеевич Розанов
ООО «Транснефть-Технологии»
Автор, ответственный за переписку.
Email: nauka@mntk.irkutsk.ru
ORCID iD: 0009-0001-7202-0428
Россия, Иркутск
Список литературы
- Issarti I., Consejo A., Jiménez-García M., et al. Computer aided diagnosis for suspect keratoconus detection // Comput Biol Med. 2019. Vol. 109. P. 33–42. doi: 10.1016/j.compbiomed.2019.04.024
- Chen X., Zhao J., Iselin K.C., et al. Keratoconus detection of changes using deep learning of colour-coded maps // BMJ Open Ophthalmol. 2021. Vol. 6, N 1. P. e000824. doi: 10.1136/bmjophth-2021-000824
- Feng R., Xu Z., Zheng X., et al. KerNet: A novel deep learning approach for keratoconus and sub-clinical keratoconus detection based on raw data of the pentacam HR system // IEEE J Biomed Health Inform. 2021. Vol. 25, N 10. P. 3898–3910. doi: 10.1109/JBHI.2021.3079430
- Gatinel D. Screening for subclinical keratoconus and prevention of corneal ectasia with SCORE analyzer software. In: Febbraro J.-L., Khan H.N., Koch D.D., editors. Surgical correction of astigmatism. Cham: Springer International Publishing, 2018. doi: 10.1007/978-3-319-56565-1_9
- Ruiz Hidalgo I., Rozema J.J., Saad A., et al. Validation of an objective keratoconus detection system implemented in a scheimpflug tomographer and comparison with other methods // Cornea. 2017. Vol. 36, N 6. P. 689–695. doi: 10.1097/ICO.0000000000001194
- Малюгин Б.Э., Сахнов С.Н., Аксенова Л.Е., Мясникова В.В. Применение искусственного интеллекта в диагностике и хирургии кератоконуса: систематический обзор // Офтальмохирургия. 2022. № 1. C. 77–96. EDN: PPQRWZ doi: 10.25276/0235-4160-2022-1-77-96
- Abdelmotaal H., Mostafa M.M., Mostafa A.N.R., et al. Classification of Color-Coded Scheimpflug Camera Corneal Tomography Images Using Deep Learning // Transl Vis Sci Technol. 2020. Vol. 9, N 13. P. 30. doi: 10.1167/tvst.9.13.30
- Dos Santos V.A., Schmetterer L., Stegmann H., et al. CorneaNet: fast segmentation of cornea OCT scans of healthy and keratoconic eyes using deep learning // Biomed Opt Express. 2019. Vol. 10, N 2. P. 622–641. doi: 10.1364/BOE.10.000622
- Kuo B.I., Chang W.Y., Liao T.S., et al. Keratoconus Screening Based on Deep Learning Approach of Corneal Topography // Transl Vis Sci Technol. 2020. Vol. 9, N 2. P. 53. doi: 10.1167/tvst.9.2.53
- Shi C., Wang M., Zhu T., et al. Machine learning helps improve diagnostic ability of subclinical keratoconus using Scheimpflug and OCT imaging modalities // Eye Vis (Lond). 2020. Vol. 7. P. 48. doi: 10.1186/s40662-020-00213-3
- Шухаев С.В., Мордовцева Е.А., Пустозеров Е.А., Кудлахмедов Ш.Ш. Применение сверточных нейронных сетей для определения эндотелиальной дистрофии Фукса // Офтальмохирургия. 2022. № S4. С. 70–76. EDN: WEZTKV doi: 10.25276/0235-4160-2022-4S-70-76
- Obaid H.S., Dheyab S.A., Sabry S.S. The impact of data pre-processing techniques and dimensionality reduction on the accuracy of machine learning // 2019 9th Annu. Inf. Technol. Electromechanical Eng. Microelectron. Conf. IEMECON. 2019. P. 279–283. doi: 10.1109/IEMECONX.2019.8877011
- Valdés-Mas M.A., Martín-Guerrero J.D., Rupérez M.J., et al. A new approach based on Machine Learning for predicting corneal curvature (K1) and astigmatism in patients with keratoconus after intracorneal ring implantation // Comput Methods Programs Biomed. 2014. Vol. 116. P. 39–47. doi: 10.1016/j.cmpb.2014.04.003
- Патент РФ на изобретение № RU 2793142 C1/ 29.03.2023. Розанова О.И., Цыренжапова Е.К., Юрьева Т.Н., и др. Способ оценки рельефа передней и задней поверхности роговицы.
- Arbelaez M.C., Versaci F., Vestri G., et al. Use of a Support Vector Machine for Keratoconus and Subclinical Keratoconus Detection by Topographic and Tomographic Data // Ophthalmology. 2012. Vol. 119, N 11. P. 2231–2238. doi: 10.1016/j.ophtha.2012.06.005
- Ruiz Hidalgo I., Rodriguez P., Rozema J.J., et al. Evaluation of a Machine-Learning Classifier for Keratoconus Detection Based on Scheimpflug Tomography // Cornea. 2016. Vol. 35, N 6. P. 827–832. doi: 10.1097/ico.0000000000000834
Дополнительные файлы
