Искусственный интеллект (ИИ) подтвердил свою ценность как инструмент диагностики инфекционного кератита (ИК) — одной из ведущих причин роговичной слепоты в мире. Согласно исследованию, опубликованному в журнале eClinicalMedicine 23 октября 2024 года, модели глубокого обучения (Deep Learning, DL) продемонстрировали диагностическую точность, сопоставимую с точностью врачей-офтальмологов, что подчеркивает потенциал данной технологии в офтальмологической практике.

Мета-анализ подтвердил точность ИИ при диагностике ИК

Исследование под руководством доктора Даррена Тинга (Dr. Darren Ting) из Университета Бирмингема (University of Birmingham) объединило данные мета-анализа 35 научных работ, в которых оценивалась эффективность моделей DL при диагностике инфекционного кератита. Эти модели сравнивались с диагностической эффективностью офтальмологов. Модели ИИ показали результаты, сопоставимые с офтальмологами: чувствительность (sensitivity) достигла 89,2%, специфичность (specificity) — 93,2%. Для сравнения, у офтальмологов эти показатели составили 82,2% и 89,6% соответственно. Модели ИИ проанализировали более 136 000 изображений роговицы, что подтвердило их клинический потенциал в выявлении инфекций роговицы.

Потенциал трансформации офтальмологической помощи в мире

По словам доктора Тинга, старшего автора работы и консультанта-офтальмолога Университета Бирмингема, полученные результаты являются обнадеживающими. В своем заявлении доктор Тинг отметил, что исследование демонстрирует потенциал ИИ в обеспечении быстрой и надежной диагностики, что способно изменить подходы к лечению роговичных инфекций в глобальном масштабе. Особую значимость эта разработка имеет для регионов с ограниченным доступом к специализированной офтальмологической помощи, где ИИ может способствовать снижению бремени предотвратимой слепоты.

Роль ИИ в идентификации возбудителей инфекционного кератита

Модели ИИ оказались эффективны не только для различения здоровых и инфицированных глаз, но и для выявления этиологии инфекционного кератита (например, бактериальной или грибковой инфекции). Данная возможность имеет решающее значение для своевременного и точного лечения, позволяя предотвратить тяжелые осложнения и потерю зрения.

Вызовы и перспективы дальнейшего развития

Несмотря на обнадеживающие результаты, авторы исследования подчеркнули необходимость дальнейшей работы. Они указали на потребность в более разнообразных данных и внешней валидации для повышения надежности этих моделей перед их широким клиническим внедрением. Инфекционный кератит остается серьезной проблемой здравоохранения, особенно в странах с низким и средним уровнем дохода, где доступ к специализированной помощи часто ограничен. По мере развития технологий ИИ они могут стать ключевым инструментом в борьбе с роговичной слепотой во всем мире.

Заключение

Проведенное исследование подтверждает потенциал искусственного интеллекта в трансформации офтальмологической помощи за счет обеспечения точной, быстрой и доступной диагностики роговичных инфекций. При условии дальнейшего совершенствования и валидации модели глубокого обучения смогут сыграть ключевую роль в предотвращении роговичной слепоты, особенно в недостаточно обслуживаемых регионах планеты.

Источник: Zun Zheng Ong et al, Diagnostic performance of deep learning for infectious keratitis: a systematic review and meta-analysis, eClinicalMedicine (2024). DOI: 10.1016/j.eclinm.2024.102887