Глаукома относится к нейродегенеративным заболеваниям и характеризуется повреждением ганглиозного комплекса сетчатки, истончением слоя нервных волокон сетчатки (СНВС), что приводит к глаукомным дефектам в полях зрения и снижению зрительных функций. Наибольший риск необратимой слепоты ассоциирован с первичной закрытоугольной глаукомой [1]. Известно, что у пациентов с таким заболеванием выше риск тревоги, депрессии, нарушений сна по сравнению с лицами без глаукомы [2]. Поэтому повышение качества жизни имеет первостепенное значение и включает не только эффективные методы лечения, но и оптимизацию мониторинга в зависимости от скорости прогрессирования заболевания [3].

В настоящее время вектор исследований направлен на разработку алгоритмов искусственного интеллекта (ИИ) для прогнозирования скорости прогрессирования глаукомы. Актуальность этого обусловлена необходимостью диспансерного наблюдения, направленного на планирование индивидуального объема исследований и частоты визитов к офтальмологу, а также персонализацию лечения в зависимости от темпов прогрессирования (сроки изменения алгоритмов лечения и т.д.). Так, например, пациенты с высокой скоростью прогрессирования нуждаются в незамедлительном переходе к более активному лечению, включая хирургические методы.

Прогнозирование прогрессирования глаукомы

В клинической практике эталоном оценки прогрессирования глаукомы является стандартная автоматическая периметрия (САП).

A. Dixit и соавт. (2021) применили для выявления прогрессирования глаукомы нейронную сеть долгой краткосрочной памяти (Long Short-Term Memory, LSTM) [4]. Дифференциация глаз со стабильной глаукомой и прогрессирующим течением включала анализ следующих параметров: среднее отклонение (mean deviation, MD), индекс полей зрения (visual field index, VFI), индекс локальных потерь (pattern standard deviation, PSD). Первая модель LSTM основывалась только на данных САП за четыре визита и более, а вторая дополнительно включала клинические данные: отношение экскавации к размеру диска зрительного нерва, центральную толщину роговицы, внутриглазное давление (ВГД). Результаты показали, что вторая модель обладала большей диагностической ценностью (площадь под кривой, Area Under Curve, AUC=0,89—0,93) по сравнению с первой (AUC=0,79—0,82; p<0,001). Авторы пришли к выводу, что нейронная сеть LSTM может эффективно применяться для оценки прогрессирования глаукомы.

В аналогичных исследованиях доказана эффективность моделей ИИ для определения прогрессирования глаукомы на основе САП [5—8].

Тем не менее на показатели полей зрения оказывают влияние различные субъективные факторы, такие как усталость пациента, проблемы с вниманием, недостаточная коммуникация врач — пациент и т.д. Мониторинг структурных изменений заднего отдела глаза, таких как толщина СНВС, ганглиозного комплекса сетчатки, параметры диска зрительного нерва по данным оптической когерентной томографии (ОКТ), более комфортен для пациента и требует меньших временных затрат. Показано, что совместное использование САП и ОКТ более точно определяет скорость прогрессирования глаукомы по сравнению только с данными периметрии [9]. Кроме того, известно, что структурные изменения (ОКТ), включая микроциркуляторные [10], предшествуют функциональным (САП) [11].

S. Hussain и соавт. (2023) разработали мультимодальную DL-модель, включающую сверточную нейронную сеть (convolutional neural network, CNN) и сеть LSTM, для прогнозирования прогрессирования глаукомы [12]. Авторы использовали изображения ОКТ, САП, демографические и клинические данные 86 пациентов с глаукомой, полученные за пять визитов в течение 12 мес. Предложенный метод использовался для прогнозирования изменений, выявляемых по данным САП, через 12 мес после первого визита путем объединения предыдущих мультимодальных входных данных с синтезированными будущими изображениями, созданными с использованием так называемой генеративно-состязательной сети (generative adversarial network, GAN). Пациенты были разделены на две группы в зависимости от скорости изменения индекса MD: с медленным прогрессированием (<3 дБ) и с быстрым прогрессированием (>3 дБ). Результаты показали, что сочетание структурных (ОКТ), функциональных (САП) данных и исходных клинико-демографических показателей позволяет прогнозировать прогрессирование глаукомы за 6 мес до наступления таковых (AUC=0,83). Кроме того, использование синтетических ОКТ-изображений, созданных GAN, позволило достичь аналогичных показателей (AUC=0,81) для 9-месячного прогноза.

D. Kim и соавт. (2023) [13] создали эффективную модель deep neural network (DNN) для прогнозирования значений сразу трех индексов САП (MD, VFI, PSD) на основе ОКТ, включая параметры СНВС и менее распространенный, но более информативный параметр — Bruch’s Membrane Opening-Minimum Rim Width (BMO-MRW), описанный ранее в исследовании B.C. Chauhan и соавт. [14]. Авторы позиционировали данный метод ИИ для более быстрого прогнозирования прогрессирования в условиях отсутствия полного комплекта специализированной помощи, а также при невозможности выполнения САП по субъективным причинам со стороны пациента.

Модель CNN для определения вероятности прогрессирования глаукомы в исследовании E.B. Mariottoni и соавт. (2023), основанная на оценке толщины СНВС по данным ОКТ, продемонстрировала чувствительность 87,3% (95% доверительный интервал, ДИ 83,6—91,6%) и специфичность 86,4% (95% ДИ 79,9—89,6%) [15].

T.P.H. Lin и соавт. (2023) применили DL для оценки прогрессирования глаукомы нормального давления, исследуя калибр ретинальных сосудов на фотографиях глазного дна [16]. Исходно низкие значения параметров, отражающих диаметр ретинальных сосудов, были связаны с риском истончения СНВС и потерей в полях зрения, что позволило отнести их к новым биомаркерам (предикторам) прогрессирования глаукомы нормального давления.

F. Li и соавт. (2022) продемонстрировали две эффективные модели CNN, позволяющие определить и прогнозировать прогрессирование глаукомы в ближайшие 3—5 лет на основе цветных фотографий глазного дна (AUC=0,87—0,91; p<0,001) [17]. В аналогичном исследовании точность прогнозирования составила 80,0% [18].

Выявление пациентов с наибольшим риском прогрессирования является важным аспектом своевременной медицинской помощи в системе здравоохранения. Алгоритмы ИИ, по сравнению с традиционными, эффективнее прогнозируют вероятность перехода к хирургическому этапу лечения глаукомы. В исследовании S. Tao и соавт. (2023) модель глубокого обучения (DeepSurv) продемонстрировала лучшие результаты (индекс конкордантности, C=0,77; среднее значение AUC=0,80) по сравнению с моделью пропорциональных рисков Кокса совместно с методом главных компонент (C=0,74, AUC=0,78), методом случайного леса (C=0,76, AUC=0,80) и gradient-boosting survival, GBS (C=0,76; AUC=0,79) [19].

Прогнозирование вероятности перехода к хирургическому лечению глаукомы

S.K. Jalamangala Shivananjaiah и соавт. (2023) использовали данные из электронных медицинских карт (ЭМК) и текстовые записи в простой форме о пациентах с глаукомой для создания нескольких моделей ИИ для определения вероятности прогрессирования глаукомы до такой степени, что возникнет необходимость в антиглаукомной хирургии в течение последующих 12 мес [20]. Расширенная модель глубокого обучения, включающая как структурированные данные из ЭМК, так и текстовые записи в простой форме, показала наибольшую эффективность (AUC=0,89), в отличие от моделей, основанных только на одном типе данных (только данные ЭМК — AUC=0,88; только текстовые записи — AUC=0,76).

В аналогичном исследовании R. Wang и соавт. (2024) модель DL с входными данными, включающими информацию ОКТ, САП, ЭМК, прогнозировала вероятность хирургии глаукомы у пациентов с нестабильным течением в сроки 3 мес от первичного обращения (AUC=0,92; 95% ДИ 0,88—0,96), а также в периоды: 3—6 мес, 6—12 мес, 1—2 года, 2—3 года, 3—4 года, 3—4 года, 4—5 лет (во всех случаях AUC>0,80) [21].

Прогнозирование вероятности повторной хирургии глаукомы

Искусственные нейросети также позволяют прогнозировать вероятность повторной хирургии глаукомы с определением типа оперативного вмешательства. А.Д. Чупров и соавт. (2022), проанализировав факторы, связанные с рехирургией глаукомы, создали модель искусственной нейронной сети с входным слоем из наиболее значимых признаков, влияющих на выбор типа повторной операции [22]. Выходной слой отвечал за определение вероятности принадлежности к конкретному классу (типу операции). Построенная модель продемонстрировала чувствительность 57% и специфичность 73%. Применение полученной методики на независимой выборке позволило предсказать вероятность проведения повторной операции в трехлетний промежуток наблюдения. Распределение по типам операций следующее: микрофистулизирующая глубокая склерэктомия с аллодренированием — 88,37%, селективная лазерная трабекулопластика — 6,98%, транссклеральная циклофотокоагуляция — 4,65%.

D. Shah и соавт. (2020) создали три модели CNN для прогнозирования повторной хирургии глаукомы у пациентов с первичной открытоугольной глаукомой, псевдоэксфолиативной, пигментной глаукомой и глаукомой нормального давления [23]. Первая модель основывалась на показателях ВГД, вторая — на данных САП, третья включала ВГД, САП и возраст пациента. Анализировались 2743 визита 84 пациентов с периодом наблюдения в среднем 14 лет (от 5 до 30 лет). Всего было выполнено 115 вмешательств: 29,6% — лазерная трабекулопластика, 21,7% — трабекулэктомия, 17,4% — факоэмульсификация с трабекулэктомией, 6,9% — операции с использованием клапана Ахмеда. Первая модель ИИ на основе данных ВГД предсказала время рехирургии с высокой чувствительностью (96%) и низкой специфичностью (36%). Вторая модель ИИ на основе САП спрогнозировала время вмешательства с низкой чувствительностью (45%) и относительно высокой специфичностью (79%). При использовании третьей модели — с совместным применением ВГД, САП и возраста — время вмешательства можно было предсказать с относительно высокой чувствительностью (83%) и специфичностью (75%).

Методы ИИ в прогнозировании эффективности лечения

Прогнозирование эффективности лечения является одним из принципов персонализированной медицины. Разработка количественных предикторов результата лечения возможна с помощью методов машинного обучения, учитывающих одновременно все имеющиеся переменные и корреляции между ними, чтобы оценить и предсказать результат лечения в совокупности всех клинико-анатомических параметров. Н.И. Курышева и соавторы использовали проекционные методы машинного обучения (SIMCA) в серии работ, посвященных оценке и выбору методов лечения заболевания первичного закрытия угла [24—29].

Актуальность лечения заболевания первичного закрытия угла на ранних стадиях признается многими авторами [30], однако вопрос о выборе метода лечения (периферическая лазерная иридотомия, ПЛИТ, или ленсэктомия, ЛЭ) остается открытым [31]. Очевидно, что ответ находится в области персонализированной медицины.

Н.И. Курышева и соавт. (2023) впервые применили количественный прогноз гипотензивного эффекта ПЛИТ и ЛЭ при заболевании первичного закрытия угла на основе методов машинного обучения с использованием метода регрессии на главные компоненты [28]. В результате построены две регрессионные модели: ПЛИТ-модель и ЛЭ-модель. Каждая модель включала 37 клинико-анатомических параметров: возраст, пол, сфероэквивалент, острота зрения с максимальной коррекцией и без коррекции, ВГД, наличие/отсутствие начальной катаракты, толщину хориоидеи в макуле в 13 точках, длину переднезадней оси, глубину передней камеры, высоту свода хрусталика, кривизну радужки и ее толщину в 750 мкм от склеральной шпоры в назальном и темпоральном секторах, дистанцию открытия угла (AOD500, AOD750), площадь иридотрабекулярного пространства (TISA500, TISA750), степень открытия угла по Shaffer в верхних и нижних секторах. Прогнозируя результаты лечения с помощью ЛЭ-модели и ПЛИТ-модели, можно оценить, насколько в каждом конкретном случае снизится ВГД при том и другом методе, и далее решить, достаточно ли этого для конкретного пациента.

Более того, авторы предложили укороченный вариант выбора лечения, не уступающий по своей точности полному варианту, описанному выше. Укороченный вариант предполагает анализ всего четырех параметров вместо 37, выбранных с учетом доступности измерений в рутинной клинической практике: пола, ВГД, длины переднезадней оси и глубины передней камеры [29].

Таким образом, методы машинного обучения обеспечивают персонализированный подход в лечении заболеваний.

Перспективы и проблемы применения ИИ

В будущем методы ИИ станут применяться в хирургии глаукомы. На данном этапе сверточные нейронные сети могут идентифицировать требекулярную сеть на видеогониоскопии, применяемой в том числе интраоперационно [32].

Пока алгоритмы сверточных нейронных сетей используются в режиме реального времени в ходе факоэмульсификации, позволяя оптимизировать этапы операции (безопасный капсулорексис с детекцией границ зрачка, факофрагментацию и т.д.) [33].

Безусловно, потенциал для широкого использования методов ИИ в клинических условиях значителен, учитывая доступность технологий визуализации структур глаза и простоту интеграции алгоритмов машинного обучения в систему здравоохранения.

Тем не менее существует ряд проблем. Принимая во внимание гетерогенность исследований с применением методов ИИ, необходимо стандартизировать диагностические протоколы для повышения эффективности скрининга глаукомы, в том числе среди различных этнических групп [34]. Необходимо разработать единую международную оценочную систему для внесения стандартизированных данных в общедоступные ресурсы. Кроме того, отсутствует согласованность в сравнении данных с разных моделей аппаратов для одного и того же метода исследования (например, эволюция оптических когерентных томографов, периметров и т.д.). Решение адаптивности данных с разных аппаратов могло бы улучшить точность моделей ИИ.

Методы ИИ предполагают анализ большого массива данных для обучения с целью повышения воспроизводимости, что является достаточно трудоемким процессом. Использование синтетических наборов данных с использованием GAN позволит оптимизировать процесс и повысить точность моделей ИИ [35]. Кроме того, GAN решают проблему конфиденциальности данных. Однако синтетические наборы данных увеличивают вероятность недостаточной воспроизводимости моделей (результативности на новой выборке) из-за однотипности исходных данных. Кроме того, одним из условий эффективности нейросетей является большая выборка. Увеличение же массива за счет искусственных данных замыкает порочный круг низкой воспроизводимости метода.

Демонстрируя высокую эффективность в клинических исследованиях и в реальной клинической практике, программы скрининга с применением методов ИИ не всегда эффективны. Так, в исследовании E. Beede и соавт. (2020) 21% изображений глазного дна не соответствовали высоким стандартам включения в программу скрининга на диабетическую ретинопатию [36]. Поэтому необходимо улучшать качество клинических изображений, например применяя «тепловые карты» [17, 37].

Стоит отметить, что необдуманное применение методов ИИ в режиме «нажмем на кнопку» может привести к катастрофическим ошибкам в диагностике и лечении заболеваний [38]. Ясно, что при использовании методов ИИ главный показатель, который следует учитывать, — это способность к прогнозированию. Модель, эффективно описывающая параметры глаза, на которых она обучалась, и способная прогнозировать известные результаты, не актуальна. Необходима модель, прогнозирующая результаты для новых пациентов.

Также существуют опасения и насчет вытеснения искусственным интеллектом клинического мышления врачей. Возможно, решения в области применения ИИ при глаукоме будут интегрированы в так называемую самообучающуюся большую языковую модель (Large Language Model, LLM), предназначенную для выполнения множества задач, в том числе в других областях медицины. На данный момент этот вопрос является спорным.

Таким образом, методы ИИ, как и «черный ящик», содержат еще много нерешенных проблем, но интригуют возможностью эффективного скрининга, прогнозирования прогрессирования и персонализации лечения глаукомы. Однозначно, необходимым условием безопасного и эффективного применения моделей ИИ является сохранение критического отношения к ним и к результатам, которые они предоставляют.

Авторы заявляют об отсутствии конфликта интересов.