Искусственный интеллект: аспекты применения в офтальмологии. Ч. 2
https://doi.org/10.18008/1816-5095-2026-2-223-233
Аннотация
Меланома хориоидеи — серьезное онкологическое заболевание, требующее своевременного обнаружения для эффективного лечения и сохранения жизни больного. Традиционные методы диагностики имеют ограничения в чувствительности и точности, особенно на ранних стадиях опухолевого процесса. Искусственный интеллект (ИИ) обещает революцию в офтальмологии, позволяя автоматизировать анализ изображений глазного дна и выявлять тонкие признаки опухолей.
В данной обзорной статье рассмотрены современные возможности ИИ в ранней диагностике меланомы хориоидеи. Анализируются преимущества и ограничения применения ИИ в офтальмологии, описываются существующие исследования по разработке и внедрению систем ИИ для диагностики опухолей глазного дна. Обсуждается будущее ИИ в офтальмологии и перспективы развития данного направления.
Статья предназначена для офтальмологов, исследователей и специалистов в области искусственного интеллекта, заинтересованных в повышении эффективности ранней диагностики меланомы хориоидеи и улучшении витального прогноза пациентов.
Ключевые слова
Об авторах
А. О. Укина
ГБУЗ ЛО «Гатчинская клиническая межрайонная больница»
Россия
Россия
Укина Анастасия Олеговна - врач-офтальмолог
ул. Рощинская, 15а, корп. 1, Гатчина, Ленинградская обл., 188300
Е. Б. Мякошина
ФГБУ «Национальный медицинский исследовательский центр глазных болезней им. Гельмгольца» Министерства здравоохранения Российской Федерации
Россия
Россия
Мякошина Елена Борисовна - доктор медицинских наук старший научный сотрудник отдела офтальмоонкологии и радиологии
ул. Садовая-Черногрязская, 14/19, Москва, 105062
Список литературы
1. Maurya RP, Maurya M. Applications of artificial intelligence in ocular oncology. IP Int J Ocul Oncol Oculoplasty. 2022;8(2):84–87. doi: 10.18231/j.ijooo.2022.019.
2. Dimililer K, Ever YK, Ratemi H. Intelligent eye tumour detection system. Procedia Comput. Sci. 2016;102:325–332.
3. Abdulkader H. ITDS: Iris tumor detection system using image processing techniques. Int. J. Sci. Eng. Res. 2014;35:45–80.
4. Jiang Z, Wang L, Wang Y, Jia G, Zeng G, Wang J, Li Y, Chen D, Qian G, Jin Q. A SelfSupervised Learning Based Framework for Eyelid Malignant Melanoma Diagnosis in Whole Slide Images. IEEE/ACM Trans Comput Biol Bioinform. 2024 JulAug;21(4):701–714. doi: 10.1109/TCBB.2022.3207352.
5. Wang L, Ding L, Liu Z, Sun L, Chen L, Jia R, Dai X, Cao J, Ye J. Automated identification of malignancy in whole-slide pathological images: identification of eyelid malignant melanoma in gigapixel pathological slides using deep learning. Br J Ophthalmol. 2020 Mar;104(3):318–323. doi: 10.1136/bjophthalmol-2018-313706.
6. Wang L, Dai X, Liu Z, Zhao Y, Sun Y, Mao B, Wu S, Zhu T, Huang F, Maimaiti N, CaiX, Li SZ, Sheng J, Guo T, Ye J. AI-driven eyelid tumor classification in ocular oncology using proteomic data. NPJ Precis Oncol. 2024 Dec 23;8(1):289. doi: 10.1038/s41698024-00767-8.
7. Bassi A, Krance SH, Pucchio A, Pur DR, Miranda RN, Felfeli T. The Application of Artificial Intelligence in the Analysis of Biomarkers for Diagnosis and Management of Uveitis and Uveal Melanoma: A Systematic Review. Clin Ophthalmol. 2022 Aug 30;16:2895–2908. doi: 10.2147/OPTH.S377358.
8. Chandrabhatla AS, Horgan TM, Cotton CC, Ambati NK, Shildkrot YE. Clinical Applications of Machine Learning in the Management ofIntraocular Cancers: A Narrative Review. Invest Ophthalmol Vis Sci. 2023 Jul 3;64(10):29. doi: 10.1167/iovs.64.10.29.
9. Farabi Maleki S, Yousefi M, Hajiesmailpoor Z, Jafarizadeh A, Pedrammehr S, Alizadehsani R, Gorriz Saez JM. Role of artificial intelligence in ocular tumors: A systematic review. J. Clin. Oncol. 2024;42(16_suppl):e15070–e15070. doi: 10.1200/JCO.2024.42.16_suppl.e15070.
10. Koseoglu ND, Corrêa ZM, Liu TYA. Artificial intelligence for ocular oncology. Curr Opin Ophthalmol. 2023 Sep 1;34(5):437–440. doi: 10.1097/ICU.0000000000000982.
11. Alotaibi SS, Rehman A, Hasnain M. Revolutionizing ocular cancer management: a narrative review on exploring the potential role of ChatGPT. Front Public Health. 2023 Dec 15;11:1338215. doi: 10.3389/fpubh.2023.1338215.
12. Chawla B, Ganesh KB. Applications of artificial intelligence in ocular oncology. Adv. Ophthalmol. Optom. 2023;8(1):111–122. doi: 10.1016/j.yaoo.2023.02.002.
13. Selvam A, Ong J, Bollepalli SC, Chhablani J, Vupparaboina KK, Driban M. Artificial intelligence in choroid through optical coherence tomography: A comprehensive review. Authorea Preprints. 2023. doi: 10.36227/techrxiv.24076470.v2.
14. Goswami M. Deep learning models for benign and malign ocular tumor growth estimation. Comput Med Imaging Graph. 2021 Oct;93:101986. doi: 10.1016/j.compmedimag.2021.101986.
15. Мякошина ЕБ. Комплексная диагностика начальной меланомы хориоидеи. Russian electronic journal of radiology. 2016;6(4):19–28. doi: 10.21569/2222-74152016-6-4-19-28.
16. Нероев ВВ, Саакян СВ, Мякошина ЕБ, Охоцимская ТД, Фадеева ВА. Оптическая когерентная томография-ангиография в диагностике начальной меланомы и отграниченной гемангиомы хориоидеи. Вестник офтальмологии. 2018;134(3):4–18. doi: 10.17116/oftalma201813434.
17. Мякошина ЕБ, Саакян СВ. Оптическая когерентная томография в диагностике начальной меланомы хориоидеи. Вестник офтальмологии. 2020;136(1):56–64. doi: 10.17116/oftalma202013601156.
18. Мякошина ЕБ, Куликова ИГ, Балацкая НВ, Катаргина ЛА, Саакян СВ. Прогностическая модель течения начальной меланомы хориоидеи после органосохранного лечения, основанная на клинико-морфометрических и иммунологических показателях. Медицинская иммунология. 2022;24(1):81–88. doi: 10.15789/1563-0625-PMO-2180.
19. Саакян СВ, Мякошина ЕБ, Гарри ДД, Тарасов ГЮ, Мякошин ИЮ. Компьютерная (электронная) модель витального прогноза у пациентов с начальной меланомой хориоидеи. Эффективная фармакотерапия. 2023;19(11):52–56. doi: 10.33978/23073586-2023-19-11-52-56.
20. Способ прогнозирования выживаемости пациентов после энуклеации по поводу начальной меланомы хориоидеи, распространяющейся на ДЗН: Саакян СВ, Мякошина ЕБ, Захарова ГП, Гарри ДД, Тарасов ГЮ. Патент RU 2778965, 29.08.2022.
21. Sabazade S, Lumia Michalski MA, Bartoszek J, Fili M, Holmström M, Stålhammar G. Development and Validation of a Deep Learning Algorithm for Differentiation of Choroidal Nevi from Small Melanoma in Fundus Photographs. Ophthalmol Sci. 2024 Aug 30;5(1):100613. doi: 10.1016/j.xops.2024.100613.
22. Hoffmann L, Runkel CB, Künzel S, Kabiri P, Rübsam A, Bonaventura T, Marquardt P, Haas V, Biniaminov N, Biniaminov S, Joussen AM, Zeitz O. Using Deep Learning to Distinguish Highly Malignant Uveal Melanoma from Benign Choroidal Nevi. J Clin Med. 2024 Jul 16;13(14):4141. doi: 10.3390/jcm13144141.
23. Allam E, Alfonse M, Salem ABM. Artificial intelligence techniques for classification of eye tumors: a survey. In: 2022 5th Int. Conf. Comput. Informat. (ICCI). IEEE, 2022:175–179. doi: 10.1109/ICCI54321.2022.9756067.
24. Ma J, Iddir SP, Ganesh S, Yi D, Heiferman MJ. Automated segmentation for early detection of uveal melanoma. Can J Ophthalmol. 2024 Dec;59(6):e784–e791. doi: 10.1016/j.jcjo.2024.04.003.
25. Poovizhi P. An approach towards the detection of ocular cancer using Fast R-CNN technique. In: 2023 8th Int. Conf. Commun. Electron. Syst. (ICCES). IEEE, 2023:1683–1688. doi: 10.1109/ICCES57224.2023.10192725.
26. Shakeri E. Deep learning-based detection and classification of uveal melanoma using convolutional neural networks and SHAP analysis. In: 2023 IEEE 24th Int. Conf. Inf. Reuse Integr. Data Sci. (IRI). IEEE, 2023:215–220. doi: 10.1109/IRI58017.2023.00044.
27. Wu CT, Lin TY, Lin CJ, Hwang DK. The future application of artificial intelligence and telemedicine in the retina: A perspective. Taiwan J Ophthalmol. 2023 Jun 13;13(2):133– 141. doi: 10.4103/tjo.TJO-D-23-00028. PMID: 37484624; PMCID: PMC10361422.
28. Каталевская ЕА, Каталевский ДЮ, Тюриков МИ. Перспективы использования искусственного интеллекта в диагностике и лечении заболеваний сетчатки. Клиническая офтальмология. 2022;22(1):36–43. doi: 10.32364/2311-7729-2022-22-1-36-43.
29. Li Z, Qiang W, Chen H, Pei M, Yu X, Wang L, Li Z, Xie W, Wu X, Jiang J, Wu G. Artificial intelligence to detect malignant eyelid tumors from photographic images. NPJ Digit Med. 2022 Mar 2;5(1):23. doi: 10.1038/s41746-022-00571-3.
30. Kaiserman I, Rosner M, Pe’er J. Forecasting the prognosis of choroidal melanoma with an artificial neural network. Ophthalmology. 2005 Sep;112(9):1608. doi: 10.1016/j.ophtha.2005.04.008.
31. Vaquero-Garcia J, Lalonde E, Ewens KG, Ebrahimzadeh J, Richard-Yutz J, Shields CL, Barrera A, Green CJ, Barash Y, Ganguly A. PRiMeUM: A Model for Predicting Risk of Metastasis in Uveal Melanoma. Invest Ophthalmol Vis Sci. 2017 Aug 1;58(10):4096–4105. doi: 10.1167/iovs.17-22255.
32. Sun M, Zhou W, Qi X, Zhang G, Girnita L, Seregard S, Grossniklaus HE, Yao Z, Zhou X, Stålhammar G. Prediction of BAP1 Expression in Uveal Melanoma Using Densely-Connected Deep Classification Networks. Cancers (Basel). 2019 Oct 16;11(10):1579. doi: 10.3390/cancers11101579/
33. Luo J, Chen Y, Yang Y, Zhang K, Liu Y, Zhao H, Dong L, Xu J, Li Y, Wei W. Prognosis Prediction of Uveal Melanoma After Plaque Brachytherapy Based on Ultrasound With Machine Learning. Front Med (Lausanne). 2022 Jan 21;8:777142. doi: 10.3389/fmed.2021.777142.
34. Zhang H, Liu Y, Zhang K, Hui S, Feng Y, Luo J, Li Y, Wei W. Validation of the Relationship Between Iris Color and Uveal Melanoma Using Artificial Intelligence With Multiple Paths in a Large Chinese Population. Front Cell Dev Biol. 2021 Aug 19;9:713209. doi: 10.3389/fcell.2021.713209.
35. Chen YN, Wang YN, Chen MX, Zhang K, Chen RT, Fang R, Wang H, Zhang HH, Huang YN, Feng Y, Luo JT, Lan YJ, Liu YM, Li Y, Wei WB. Machine learning models for outcome prediction of Chinese uveal melanoma patients: A 15-year follow-up study. Cancer Commun (Lond). 2022 Mar;42(3):273–276. doi: 10.1002/cac2.12253.
36. Donizy P, Krzyzinski M, Markiewicz A, Karpinski P, Kotowski K, Kowalik A, Orlowska-Heitzman J, Romanowska-Dixon B, Biecek P, Hoang MP. Machine learning models demonstrate that clinicopathologic variables are comparable to gene expression prognostic signature in predicting survival in uveal melanoma. Eur J Cancer. 2022 Oct;174:251–260. doi: 10.1016/j.ejca.2022.07.031.
37. Zabor EC, Raval V, Luo S, Pelayes DE, Singh AD. A Prediction Model to Discriminate Small Choroidal Melanoma from Choroidal Nevus. Ocul Oncol Pathol. 2022 Feb;8(1):71–78. doi: 10.1159/000521541.
38. Liu TYA, Chen H, Gomez C, Correa ZM, Unberath M. Direct Gene Expression Profile Prediction for Uveal Melanoma from Digital Cytopathology Images via Deep Learning and Salient Image Region Identification. Ophthalmol Sci. 2022 Oct 30;3(1):100240. doi: 10.1016/j.xops.2022.100240.
39. Rivas-Perea P, Baker E, Hamerly G, Shaw BF. Detection of leukocoria using a soft fusion of expert classifiers under non-clinical settings. BMC Ophthalmol. 2014 Sep 9;14:110. doi: 10.1186/1471-2415-14-110.
40. Strijbis VIJ, de Bloeme CM, Jansen R, Kebiri H. Multi-view convolutional neural networks for automated ocular structure and tumor segmentation in retinoblastoma. Sci. Rep. 2021;11(1):14590. doi: 10.1038/s41598-021-93905-2.
41. Tan E, Lin F, Sheck L, Salmon P, Ng S. A practical decision-tree model to predict complexity of reconstructive surgery after periocular basal cell carcinoma excision. J Eur Acad Dermatol Venereol. 2017 Apr;31(4):717–723. doi: 10.1111/jdv.14012.
42. HabibalahiA, BalaC, AllendeA, AnwerAG, Goldys EM. Novel automated non invasive detection of ocular surface squamous neoplasia using multispectral autofluorescence imaging. Ocul Surf. 2019 Jul;17(3):540–550. doi: 10.1016/j.jtos.2019.03.003.
43. Yoo TK, Choi JY, Kim HK, Ryu IH, Kim JK. Adopting low-shot deep learning forthe detection of conjunctival melanoma using ocular surface images. Comput Methods Programs Biomed. 2021 Jun;205:106086. doi: 10.1016/j.cmpb.2021.106086.
Рецензия
Для цитирования:
Укина А.О., Мякошина Е.Б. Искусственный интеллект: аспекты применения в офтальмологии. Ч. 2. Офтальмология. 2026;23(2):223-233. https://doi.org/10.18008/1816-5095-2026-2-223-233
For citation:
Ukina A.O., Myakoshina E.B. Artificial Intelligence: Applications in Ophthalmology. Part 2. Ophthalmology in Russia. 2026;23(2):223-233. (In Russ.) https://doi.org/10.18008/1816-5095-2026-2-223-233
Просмотров:
19
JATS XML
Послать статью по эл. почте 