Исследовательская группа, объединившая специалистов Сколтеха, Университета Шарджи и Института AIRI, разработала систему на основе искусственного интеллекта для автоматизированного анализа изображений сетчатки с целью диагностики диабетической ретинопатии. Метод позволяет снизить риск необратимой слепоты, связанной с диабетическим поражением глаз, за счет раннего выявления патологии и повышения точности диагностики.

Автоматизация анализа ретинальных изображений: новый стандарт


Диабетическая ретинопатия — серьезное заболевание, приводящее при отсутствии своевременного лечения к необратимой слепоте. Традиционный метод анализа ретинальных изображений требует ручной сегментации — трудоемкого процесса, занимающего от 10 до 40 минут на одного пациента в зависимости от квалификации врача и подверженного ошибкам.


Разработанное ИИ-решение предоставляет мгновенные диагностические результаты, позволяя офтальмологам быстрее проверять и подтверждать находки. Как показано в публикации журнала Pattern Recognition Letters, модель ИИ автоматизирует сегментацию кровеносных сосудов на ретинальных изображениях, исключая человеческий фактор и значительно сокращая время исследования.

Продвинутые нейронные сети для решения ключевой задачи


Одной из главных проблем анализа ретинальных изображений остается выявление микрососудов, играющих критическую роль в диагностике диабетической ретинопатии и атеросклероза. Существовавшие ранее ИИ-модели часто классифицировали пиксели сосудов как фоновый шум. Исследовательская группа решила эту задачу с помощью:



  • разработки новой архитектуры нейронной сети, оптимизированной для распознавания микрососудов;

  • внедрения адаптивного порогового алгоритма для уточнения сегментации сосудов;

  • усиления чувствительности модели за счет методов аугментации данных.


На индустриальном наборе данных DRIVE система ИИ достигла точности более 97% при чувствительности свыше 84%.

Мнение экспертов


Ведущий автор исследования, аспирант Сколтеха Мелаку Гетахун подчеркнул: «Достичь 97% точности не так сложно из-за особенностей данных. Наиболее важна именно чувствительность. Она отражает способность модели выявлять микрососуды, с чем не справлялись предыдущие алгоритмы».


Старший научный сотрудник, главный исследователь от Сколтеха Олег Рогов отметил проблему ограниченного объема обучающих данных: «Благодаря тщательному применению методов аугментации и обработки данных мы значительно улучшили производительность модели. Наш адаптивный пороговый алгоритм сыграл решающую роль в повышении чувствительности и точности».

Перспективы: стандартный инструмент скрининга заболеваний глаз


По мере развития ИИ-системы исследователи полагают, что она может стать стандартным скрининговым инструментом для офтальмологов, улучшая раннее выявление болезней и исходы лечения пациентов. Возможность обнаружить патологические изменения сосудов на ранней стадии позволит своевременно вмешиваться и предотвращать потерю зрения в группах высокого риска.


Профессор Рифат Хамуди из Университета Шарджи подтвердил: «Это поможет ранней диагностике и профилактике трудно поддающихся лечению глазных заболеваний, таких как диабетическая ретинопатия, которая широко распространена среди популяций с высокой заболеваемостью диабетом».


Исследование выполнено лабораторией биомедицински ориентированного искусственного интеллекта (BIMAI-Lab) — совместного проекта Сколтеха и Университета Шарджи под руководством доцента Максима Шараева и профессора Рифата Хамуди. В работе также участвовал профессор Ахмед Буридан, эксперт в области ИИ-анализа медицинских данных.


Источник: Melaku N. Getahun et al, FS-Net: Full scale network and adaptive threshold for improving extraction of micro-retinal vessel structures, Pattern Recognition Letters (2025). DOI: 10.1016/j.patrec.2025.01.019