Первичная закрытоугольная глаукома (ПЗУГ) часто протекает бессимптомно, тем не менее риск необратимой слепоты при данном заболевании в 3 раза превышает таковой при открытоугольной глаукоме [1]. Начальные стадии заболевания первичного закрытия угла (ЗПЗУ), к которым относятся подозрение на первичное закрытие угла (ППЗУ) и собственно первичное закрытие угла (ПЗУ), имеют наиболее скрытую симптоматику, но нуждаются в раннем выявлении из-за риска прогрессирования [2, 3].

Известно, что пациенты с ЗПЗУ отличаются анатомо-топографическими особенностями переднего и заднего сегментов глаза [4—6], наиболее информативно визуализируемыми с помощью оптической когерентной томографии (ОКТ) [7—10]. Стоит отметить, что анализ многопараметрических данных достаточно трудоемок, поэтому интеграция методов визуализации с методами искусственного интеллекта (ИИ) может улучшить эффективность диагностики [11] и лечения ЗПЗУ.

Методы искусственного интеллекта в диагностике заболевания первичного закрытия угла

Одним из видов ИИ являются нейронные сети, способные интерпретировать сложные изображения (например, полученные при помощи ОКТ). Главная цель этих исследований — выявление закрытого угла передней камеры (УПК). Кроме того, решаются более тонкие задачи, например визуализация размеров УПК в динамике, при разном освещении и обнаружение гониосинехий с определением их локализации и протяженности.

H. Fu и соавторы (2019) применили нейронную сеть VGG-16 с трансферным обучением для выявления закрытого УПК на ОКТ переднего отрезка (AS-OCT) с использованием аппарата Visante (Model 1000, Carl-Zeiss Meditec, США) [12]. Эффективность модели составила 0,96 площади под кривой (Area Under the Curve, AUC) с чувствительностью 90%, специфичностью 92%. В 2020 г. эти же авторы использовали усовершенствованную многоуровневую нейросеть Multilevel Deep Network, продемонстрировавшую AUC 0,96 для изображений AS-OCT, полученных на аппарате Visante, и 0,95 для изображений, полученных при использовании аппарата Cirrus HD-OCT (Model HD 5000, Carl-Zeiss Meditec, Германия) [13].

B.Y. Xu и соавторы (2019) создали несколько моделей ИИ, анализирующих данные гониоскопии и изображения AS-OCT, полученные на оптическом когерентном томографе Tomey CASIA SS-1000 (Tomey, Япония), для дифференциации открытых и закрытых УПК [14]. Классификатор ResNet18 показал максимальный результат для обоих методов визуализации: значения AUC как для обучающего (ОН), так и для проверочного набора (ПН) превысили 0,92.

M. Chiang и соавторы (2021), используя гониофотографии с камеры EyeCam (Clarity Medical Systems, США), продемонстрировали модель ИИ для выявления закрытых УПК, эффективность которой превосходит оценку как одним специалистом (AUC=0,97), так и группой экспертов (AUC=0,95) [15]. Несмотря на отличный результат, стоит отметить, что тайминг исследования на EyeCam сопоставим с таковым при гониоскопии.

Цифровая гониоскопия с применением трехмерных изображений УПК, полученных на AS-OCT, позволяет выявить закрытый УПК и гониосинехии. В исследовании F. Li и соавторов (2022) площадь под кривой модели глубокого обучения (Deep learning, DL) для первой задачи составила 0,94, а для второй — 0,90 при оценке гониосинехий по квадрантам и 0,88 — по часам в соответствии с циферблатом [16]. Принцип имитации гониоскопии при исследовании на AS-OCT представлен на рисунке. Авторы убедительно продемонстрировали, что наличие гониосинехий препятствует открытию УПК при изменении освещенности (см. рисунок, в, а) в отличие от аппозиционного закрытия УПК (см. рисунок, г, б). Преимуществом данной работы является анализ объемных изображений иридотрабекулярной зоны протяженностью 360є, а не отдельных сканов поперечных сечений УПК, что более точно соответствует критериям, определяющим стадии ЗПЗУ [17].

Цифровая гониоскопия на основе AS-OCT.

Слева — парные тепловые карты с гониосинехиальным закрытием УПК в темноте (а) и в условиях освещения (в); справа — парные тепловые карты с аппозиционным закрытием УПК в темноте (б) и в условиях освещения (г) (по F. Li и соавт. [16], в модификации).

Y. Yang и соавторы (2022) использовали нейронную сеть InceptionResnetV2 для поиска закрытых УПК и дифференциальной диагностики аппозиционного и гониосинехиального иридотрабекулярного контактов на изображениях, полученных с помощью томографа Tomey CASIA SS-1000 [18]. Модель ИИ продемонстрировала высокую эффективность в выявлении закрытых углов (AUC=0,96) и умеренную эффективность в определении гониосинехий (AUC=0,87).

J. Hao и соавторы (2022) применили нейросеть Hybrid Variation-aware Network (HV-Net), анализирующую парные двумерные и трехмерные изображения УПК и радужки (в условиях освещения и без него) на Tomey CASIA2, имитирующие динамическую гониоскопию [19]. Эффективность HV-Net в сравнении с остальными десятью моделями нейросетей в дифференциальной диагностике аппозиционного и гониосинехиального закрытия УПК была максимальной (AUC=0,85).

Модели ИИ подразумевают большие наборы данных, включая обучающие. Синтетические изображения, созданные на основе реалистичных, решают проблему как недостаточности данных, так и конфиденциальности. C. Zheng и соавторы (2021) применили нейросеть Generative Adversarial Networks (GAN) для выявления закрытых УПК [20]. В результате модель ИИ, основанная на реальных изображениях, и модель с применением сгенерированных изображений превзошли классическую, построенную на оценке площади иридотрабекулярного пространства, TISA750 (AUC 0,97; 0,94 и 0,88 соответственно). Следует отметить, что из-за однотипности данных GAN может снижать воспроизводимость модели на независимой выборке.

Модель ИИ N. Porporato и соавторов (2022) для выявления закрытого УПК продемонстрировала AUC=0,85 (95% доверительный интервал 0,80—0,90), чувствительность 83% и специфичность 87% [21], что соответствует данным аналогичных исследований [22, 23].

С помощью методов ИИ возможно не только выявление ЗПЗУ, но и классификация его стадий [24]. J. Shan и соавторы (2023) использовали три классификатора нейросети Inception V3, анализирующих изображения УПК на Swept-Source ОКТ (SS-OCT) [25]. Эффективность первого, дифференцирующего группу контроля, ППЗУ и совместную группу ПЗУ с ПЗУГ, составила: AUC 0,96 в ОН и 0,84 в ПН. Второй классификатор, отличающий группу контроля от ЗПЗУ, продемонстрировал максимальный результат — AUC 0,96 в ОН и 0,95 в ПН. Низкую эффективность показал третий классификатор, дифференцирующий ППЗУ и совместную группу ПЗУ с ПЗУГ, — AUC 0,83 в ОН и 0,64 в ПН. Таким образом, нейронные сети могут легко отличать норму от заболевания, но идентификация по стадиям ЗПЗУ все еще требует доработки.

В аналогичном исследовании Y. Eslami и соавторов (2023) эффективность идентификации открытых УПК и контрольных глаз выше, чем дифференцировка между стадиями ЗПЗУ [26].

Сравнительная характеристика основных исследований представлена в таблице.

Исследования, посвященные выявлению заболевания ПЗУ с помощью методов визуализации и ИИ

Примечание. * — во всех случаях, где не указано иное.

Интеграция алгоритмов ИИ с ультразвуковой биомикроскопией также позволяет автоматически анализировать параметры УПК [27, 28].

Кроме того, методы ИИ применяются для обнаружения склеральной шпоры на изображениях AS-OCT, так как она является ключевым ориентиром в оценке УПК [29—31].

Методы искусственного интеллекта в скрининге заболевания первичного закрытия угла

Мелкая передняя камера (anterior chamber depth, ACD) относится к факторам риска закрытия угла [32]. D. Chen и соавторы (2021) фотографировали переднюю камеру глаза с помощью смартфона (Samsung Galaxy S7, Южная Корея), установленного на портативной щелевой лампе [33]. Полученные изображения авторы использовали для создания модели ИИ (Random Forest — «случайный лес»), прогнозирующей глубину передней камеры глаза на факичных глазах с узким зрачком с целью выявления ЗПЗУ. Прогнозируемые значения ACD положительно коррелировали с таковыми, полученными на аппарате Tomey CASIA SS-1000: коэффициент корреляции R²=0,91 для ОН и R²=0,73 для ПН. Скрининг ЗПЗУ с применением мобильных устройств может применяться в отдаленных регионах и в условиях ограничения ресурсов здравоохранения.

Z.D. Soh и соавторы (2023) использовали фотографии передней камеры, полученные на цифровой камере (DC3; Topcon Corp., Япония), установленной на щелевой лампе (Topcon Corp., Япония), для создания модели ИИ, прогнозирующей глубину ACD, с целью выявления закрытия УПК [34]. Данный метод имитирует биометрию и может применяться для диагностики ЗПЗУ в условиях отсутствия ОКТ.

T.K. Yoo и соавторы (2022) предложили оригинальный метод выявления ПЗУГ [35]. С помощью алгоритма ИИ (CycleGAN), анализирующего разницу изображений на фотографиях глазного дна в глазах с нормальной и мелкой ACD, возможен скрининг ПЗУГ в условиях отсутствия дорогостоящего оборудования (AUC 0,97 для ACD ≤2,60 мм и AUC 0,89 для ACD ≤2,80 мм).

Методы искусственного интеллекта в лечении заболевания первичного закрытия угла

Методы ИИ открывают новые возможности в оценке результатов хирургического лечения и в области принятия решений о выборе тактики того или иного вмешательства. С помощью машинного обучения, в частности проекционного метода Data Driven Soft Independent Modelling of Class Analogies (DD-SIMCA), разработанного А.Л. Померанцевым (2008) [36, 37], возможен анализ многопараметрических данных, например полученных на изображениях AS-OCT у пациентов с ЗПЗУ [38, 39].

Н.И. Курышева и соавторы (2023) применили метод DD-SIMCA в оценке эффективности периферической лазерной иридотомии (ПЛИТ) и ленсэктомии (ЛЭ) у больных с ПЗУ [40].

Принимая во внимание актуальность поиска предикторов эффективности лечения ЗПЗУ [41], эти же авторы впервые применили методы машинного обучения, в частности метод регрессии на главные компоненты, в количественном прогнозе гипотензивного эффекта ПЛИТ и ЛЭ при ПЗУ [42]. Каждая из двух регрессионных моделей (ПЛИТ-модель и ЛЭ-модель) включала 37 клинико-анатомических параметров: возраст, пол, сфероэквивалент, остроту зрения с максимальной коррекцией и без коррекции, внутриглазное давление (ВГД), наличие/отсутствие начальной катаракты, толщину хориоидеи в макуле в 13 точках, длину передне-задней оси (ПЗО), 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. В результате был определены предикторы гипотензивного эффекта ПЛИТ и ЛЭ. 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.

В последующем исследовании Н.И. Курышева и соавторы (2023) продолжили работу в области тактики лечения ПЗУ [43]. Предложен укороченный вариант алгоритма с использованием проекционных методов ИИ, не уступающий по своей точности полному, описанному выше. Укороченный вариант предполагает анализ всего четырех параметров вместо 37, выбранных с учетом доступности измерений в рутинной клинической практике: пол, ВГД, длина ПЗО и глубина передней камеры [43]. Авторы получили патент на изобретение [44].

Перспективы применения методов искусственного интеллекта при заболевании первичного закрытия угла

Интеграция методов визуализации переднего отрезка глаза, особенно оптической когерентной томографии, с методами ИИ способствует повышению эффективности скрининга и диагностики ЗПЗУ. Увеличение числа общедоступных наборов данных могло бы улучшить воспроизводимость и точность алгоритмов ИИ. В настоящее время лишь восемь исследований из 183, посвященных обсуждаемой теме, соответствуют критериям включения в «открытую базу» [45].

Перспективным также является объединение методов ИИ с интраоперационной AS-OCT. В настоящее время нейронная сеть способна идентифицировать трабекулярную сеть при видеогониоскопии и может применяться для обучения начинающих офтальмохирургов [46].

Несмотря на достижения в области применения методов ИИ при ЗПЗУ, необходимы дальнейшие исследования для их широкого внедрения в клиническую практику, что позволит обеспечить своевременную диагностику и выбор персонализированного лечения.

Авторы заявляют об отсутствии конфликта интересов.