CC BY
5
Опыт использования методов машинного обучения как инструмента поддержки принятия клинических решений в офтальмологии
Качан Т.В.1, Скрыпник О.В.1, Курочкин А.В.2, Головатая Е.А.2, Марченко Л.Н.1, Федулов А.С.1, Далидович А.А.1
1Белорусский государственный медицинский университет, Минск
2Белорусский государственный университет, Минск_
Kachan T1, Skrypnik O.1, Kurochkin A.2, Halavataya K.2, Marchanka L.1, Fedulau A.1, Dalidovich A.1
Belarusian State Medical University, Minsk 2Belarusian State University, Minsk
Experience in using machine learning methods as a clinical decision support tool in ophthalmology
Резюме. Обобщен опыт использования методов машинного обучения (МО) на кафедре глазных болезней Белорусского государственного медицинского университета за последние 5 лет. Нейросетевая классификационная модель, созданная для диагностики дегенеративных оптиконейропатий (ОНП) повысила чувствительность диагностики глаукомной ОНП до 89,5% и дегенеративной ОНП у пациентов с рассеянным склерозом до 84,0%, а также определила комбинации наиболее информативных показателей с чувствительностью, близкой к патоморфологической. Продемонстрированы возможности создания классификационных моделей на основе как нейросетевого анализа, так и дерева решений и случайного леса для оценки клинических изменений при передней ишемической ОНП и периферических изменениях сетчатки, включающих отслойку сетчатки, дегенеративный ретиношизис, витреохориоретинальные периферические дистрофии и разрывы сетчатки. Показана перспективность методов МО в создании классификационных моделей для диагностики различных заболеваний сетчатки, лечения и прогнозированию их исходов.
Ключевые слова: методы машинного обучения, искусственные нейронные сети, деревья решений, случайные леса, дегенеративные оптиконейропатии, первичная открытоугольная глаукома, рассеянный склероз, передняя ишемическая оптическая нейропатия, периферическая ретинальная патология.
Медицинские новости. — 2023. — №6. — С. 27—31. Summary. The article summarizes the experience of using machine learning (ML) methods at the Department of Eye Diseases of the Belarusian State Medical University over the past 5 years. The neural network classification model created for the diagnosis of degenerative optboneuropathies (ONP) increased the sensitivity of diagnosing glaucomatous ONP up to 89.5% and degenerative ONP in patients with multiple sclerosis up to 84.0%, and also determined combinations of the most informative indicators wtth a sensitivity close to pathomorphology. The possibilities of creating classification models based on both neural network analysis and a decision tree and random forest were demonstrated to assess clinical changes in anterior ischemic optic neuropathy and peripheral retinal changes, including retinal detachment, degenerative retinoschisis, vitreochorioretinal peripheral dystrophies and retinal tears. The prospects of ML methods in creating classification models for diagnosing various diseases of the retina, treating and predicting their outcomes are shown.
Keywords: machine learning methods, artificial neural networks, decision trees, random forests, degenerative optic neuropathies, primary open-angle glaucoma, multiple sclerosis, anterior ischemic optic neuropathy peripheral retinal pathology. Meditsinskie novosti. - 2023. - N6. - P. 27-31.
Методы машинного обучения (МО) относятся к области искусственного интеллекта и в последние годы развиваются быстрыми темпами. Они представляют собой статистические модели для классификации данных и прогнозирования в различных прикладных областях. В медицине методы МО могут упростить шаги, связанные с диагностикой заболеваний на основе клинических данных, тем самым обеспечить значительную поддержку врача и оптимизацию рабочего процесса. Особенно успешно они используются при работе с неоднородными клиническими данными, а также в случае сильной нелинейной
зависимости результата (диагноза) от входных данных (исследуемых параметров). Благодаря более глубокому статистическому анализу, модели на базе МО способны выявлять болезни, которые не могут быть диагностированы человеком. О том, каким потенциалом располагают методы МО, как инструмент поддержки принятия клинических решений, и какими темпами растет их успешное применение в практической медицине, свидетельствует следующий факт: количество статей опубликованных в PubMed в данной предметной области за последние 2 года составляют 70,7% от общего числа публикаций [1]. Модели МО делятся на два типа
в зависимости от методов обучения: с учителем и без учителя. В первом случае, при обучении с учителем, модель МО обучается с набором входных данных, которые связаны с известными выходными данными. После успешного обучения модели она способна делать прогнозы на основе новых данных. Прогнозы, полученные с помощью моделей на основе обучения с учителем, могут быть непрерывными или дискретными. Методы обучения без учителя работают с входными данными без каких-либо известных результатов. Они основаны на выявлении структурных различий данных и могут использоваться для уменьшения размеров набора дан-
ных путем извлечения из них важных характеристик [2-5]. Примерами алгоритмов МО являются нейросетевой анализ (НСА), деревья решений (ДР), случайные леса (СЛ) и др. В отличие от пороговой классификации по одному параметру нейросетевая классификация для принятия решения позволяет использовать некоторые совокупности исходных признаков, в том числе нелинейные. В традиционной нейросетевой архитектуре прямого распространения, называемой многослойным персептро-ном, отдельные нейроны группируются в слои и выходные значения с каждого из нейронов очередного слоя подаются в виде линейной комбинации (взвешенной суммы) на каждый из нейронов следующего слоя. НСА является одновременно и мощным, и гибким методом имитации процессов, в том числе медицинских. Кроме того, искусственные нейронные сети (НС) способны обеспечить быстрое переобучение, уменьшить размерность пространства входных данных, выбрав наиболее существенные [6, 7]. ДР -модель регрессии или классификации, в которой для определения итогового класса используется иерархическое выстраивание признаков и некоторых подобранных пороговых значений для разметки пространства принятия решений. На верхнем уровне дерево состоит из «вопроса» и двух деревьев более низкого уровня - одно из них выбирается при утвердительном ответе на вопрос, а другое - при отрицательном. Поддеревья структурированы аналогичным образом. Обычно в качестве вопроса используется сравнение значения того или иного признака с некоторым искусственно подбираемым порогом. «Обучение» ДР происходит с использованием одного из алгоритмов построения дерева. В целом деревья не поддерживают такой же гибкой настройки, как НС, однако успешно используются в различных прикладных областях как более вербализуемые и интерпретируемые аналитические модели. СЛ - модель, состоящая из множества ДР. Вместо того, чтобы просто усреднять прогнозы разных деревьев (такая концепция называется просто «лес»), эта модель использует две ключевые концепции, которые и делают этот лес случайным:
1) случайная выборка образцов из набора данных при построении деревьев;
2) при разделении узлов выбираются случайные наборы параметров.
СЛ сочетает сотни или тысячи ДР обучая каждое на отдельной выборке данных, разделяя узлы в каждом дереве с использованием ограниченного набора параметров. В процессе тренировки каждое дерево СЛ учится на случайном образце из набора данных. Выборка образцов происходит с возмещением (в статистике этот метод называется бутстреппинг bootstrapping) [1, 3, 5]. Итоговый прогноз делается путем усреднения прогнозов от всех деревьев.
В статье обобщен первый опыт использования методов МО для решения ряда прикладных задач на кафедре глазных болезней Белорусского государственного медицинского университета за последние 5 лет. Результаты изложены в том хронологическом порядке, в котором они были получены.
Важнейшей задачей у пациентов с дегенеративными оптиконейропатиями (ДОНП) является как можно более раннее обнаружение гибели ганглионарных клеток сетчатки (ГКС). Пациентам с дегенеративными поражениями зрительного нерва свойственно отсутствие острого начала и неуклонное прогрессирующее течение с неизбежной потерей зрительных функций. Среди офтальмологических заболеваний наиболее распространенной ДОНП является глаукомная оптическая ней-ропатия (ГОН), связанная с поражением аксонов зрительного нерва в результате повышения внутриглазного давления. Развитие ДОНП с поражением аксонов и нейронов сетчатки характерно и для ряда неврологических заболеваний. Среди них особое место занимает рассеянный склероз (РС). В клинической практике для оценки ганглионарных потерь используют как структурные, так и функциональные показатели, основными из которых являются периметрические индексы MD, PSD и показатель остроты зрения. Использовали методы МО для повышения эффективности выявления гибели ГКС у пациентов с первичной открытоугольной глаукомой (ПОУГ) и РС. Для этого сравнили результаты использования НСА с полученной чувствительностью каждого исследуемого параметра по результатам одно-факторной логистической регрессии (ОЛР). Проанализированы результаты исследования 174 глаз 88 пациентов с ПОУГ 1-й основной группы, контрольную группу им составили 82 глаза 41 здорового человека, соответствующие основной группе по возрасту, полу
и фактором включения/исключения; а также 408 глаз 204 пациентов с реци-дивно-ремиттирующей формой РС 2-й основной группы, контрольную группу которым составили 126 глаз 63 здоровых лиц, соответствующие основной группе по возрасту, полу и фактором включения/исключения. Оценивались структурные показатели оптической когерентной томографии (ОКТ), сканирующей лазерной поляриметрии (СЛП), функциональные показатели: автоматической статической компьютерной периметрия (АСКП) и визометрии. Разработана НС прямого распространения с 4 скрытыми слоями размерности 30, 30, 10 и 10 нейронов соответственно. В качестве метода обучения использовался адаптивный градиентный спуск с моментами, при этом исходный набор данных (174 положительных экземпляра и 82 отрицательных, соответствующих 1-й основной и 1-й контрольной группам, а также 408 положительных экземпляров и 126 отрицательных, соответствующих 2-й основной и 2-й контрольной группам) разбивался на обучающую и кросс-валидационную выборку случайным образом с соотношением 7:3 соответственно. Обучение проводилось отдельно для 15 различных случайных разбиений [8]. Для анализа корректности работы каждого из классификаторов использовались показатели чувствительности и специфичности, а также F1-мера - гармоническое среднее чувствительности R и точности Р [8]. Наиболее информативными показателями поражения ГКС по результатам ОЛР у пациентов с ПОУГ оказались показатели ОКТ толщина перипапиллярного слоя нервных волокон сетчатки (СНВС) в нижнем отделе, (чувствительность - 75,9%), темпоральном отделе (чувствительность - 71,2%), средняя перипапиллярная толщина (чувствительность - 70,0%), вертикальное отношение размера зкскавации к диску зрительного нерва (ДЗН) (чувствительность - 74,9%), отношение площади экскавации ДЗН к площади ДЗН (чувствительность - 72,5%). При этом чувствительность разработанного нейросетевого классификатора составила 89,5% (специфичность -85,7%, F1-мера - 87,6%, АиС - 0,82). У пациентов с РС по результатам ОЛР наиболее чувствительным оказался функциональный показатель - периметрический индекс MD (79,2%) и показатель экскавации ДЗН (78,5%), при этом
чувствительность нейросетевого классификатора составила 84,0% (специфичность - 59,5%, F1-мера - 75%, АиС - 0,81). Таким образом, нейросе-тевой классификатор предоставляет более корректные результаты с точки зрения ROC-анализа по сравнению с ОЛР. Значительную сложность при использовании нейросетевой классификации представляет задача определения статистической значимости и вклада, вносимого отдельными признаками. Поскольку итоговое решение принимается на основании некоторой неизвестной совокупности входных признаков, отследить, какие именно из них наибольшим образом повлияли на результат, в общем случае невозможно. Для решения этой проблемы дополнительно были отдельно обучены аналогичные нейросетевые модели, в которых из исходных 26 признаков используются только 2 или 3, во всех возможных комбинациях, что в общей сложности составляет 2925 классификаторов. Очевидно, что подавляющее большинство из них будут вырожденными (например, наличие признака невозможно определить, зная только пол и возраст). Тем не менее, проанализировав чувствительность, специфичность и F1-меру таких классификаторов, можно определить, какие комбинации исходных признаков являются наиболее статистически значимыми [8]. Оказалось, что чувствительность наиболее информативных параметром близка к патоморфологической: 92,0% - у 2 комбинаций: 1) средняя перипапилляр-ная толщина СНВС, толщина в верхнем отделе, по данным ОКТ индикатор нервных волокон, по данным СЛП; 2) полный макулярный объем и отношение площади экскавации ДЗН к площади ДЗН у пациентов с ПОУГ и 96,0% - комбинация периметрического индекса MD, объема экскавации ДЗН и максимально корригированной остроты зрения (МКОЗ) в определении ДОНП у пациентов с РС. На основании полученных данных была создана и зарегистрирована компьютерная программа, которая позволяет получать индивидуальное значение классификатора для каждого пациента и использовать это значение для диагностики ДОНП. При значении классификатора 70% и более делается заключение о наличии ДОНП, 50-70% -подозрение на наличие ДОНП, от 30 до 50% - нельзя исключить ДОНП, менее 30% - делается вывод об отсутствии
ДОНП. Данный подход также помогает в персонифицированном назначении ней-ропротекторных лекарственных средств в зависимости от полученного значения нейросетевого классификатора.
Использование методов МО у пациентов с передней ишемической оптической нейропатией (ПИОН) оказалось полезным не столько в диагностике поражения ДЗН, сколько обратило внимание на то, что в ряде случаев другие методы МО могут оказаться более информативными, чем НСА. В рамках исследования 45 глаз пациентов с ПИОН (43 парных глаза и 74 глаза здоровых лиц, соответствующих основной группе по возрасту и полу), обучено 2 классификационные модели: на основе нейронной сети прямого распространения и на основе СЛ. Нейросетевая модель представлена полносвязной НС прямого распространения с 2 скрытыми слоями по 40 нейронов каждый. Для исходного набора данных использовались группы с ПИОН (45 глаз) и контрольная группа (74 глаза), которые явились основой для обучающей выборки. Каждый глаз оценивался по тем же 26 показателям, что и у пациентов с ДОНП. Обучение проводилось относительно обучающей выборки, сформированной случайным разбиением в соотношении 1:3 с пропорциональным разделением по целевой переменной. Модель на основе СЛ представлена ансамблем из 100 деревьев принятия решений, построенных методом бэггинга. Каждое из деревьев обрабатывало 5 случайно выбранных входных признаков из 26. Для каждой модели использовалась 1000 случайных переразбиений исходной выборки. Полученные результаты усреднены по соответствующим показателям. Модель на основе НСА имела чувствительность 99,0% ^1-мера - 0,97), на основе СЛ - соответственно 100,0% (0,99). Полученные данные свидетельствуют, о том, что, используя функциональные и структурные показатели наличия ПИОН -периметрические индексы, показатели остроты зрения, результаты СЛП и ОКТ, нейросетевой классификатор «ошибается» в постановке диагноза ПИОН только в 1 случае из 100, а классификатор на основе СЛ - ни разу. Таким образом, классификационные модели, созданные на основе как НС, так и СЛ, оказались практически идеальными классификаторами,
дифференцирующими глаза с ПИОН от здоровых глаз. Для клинициста это представляется интуитивно очевидным, так как в диагностике используется ОКТ, которая с высокой точностью определяет отек ДЗН, что в совокупности с периметрическими потерями с чувствительностью, близкой к 100%, дифференцирует ПИОН. Научный интерес представляло изучение парных глаз (43) пациентов с ПИОН. Передняя ишемическая оптическая нейропатия в большинстве случаев является монолатеральным поражением зрительного нерва. Из 45 глаз лиц с ПИОН, которые обратились за помощью в 3-ю городскую клиническую больницу за 15 лет, только у одного пациента заболевание оказалось билатеральным, то есть ПИОН развилась на обоих глазах с интервалом в несколько месяцев. Парные (непораженные) глаза не имели каких-либо клинических отличий от здоровых глаз. Поэтому дополнительно была предпринята попытка обучить модели с учетом отнесения парных глаз к контрольной группе. При классифицировании парных глаз пациентов с ПИОН как здоровых, чувствительность нейросетевой модели снижалась с 99 до 75%, а модели на основе СЛ - со 100 до 86%. Данные результаты свидетельствуют о наличии существенных отличий парных глаз пациентов с ПИОН от здоровых при отсутствии в них каких-либо клинических изменений.
Полученные данные инициировали использование методов МО для анализа наиболее распространенных периферических изменений сетчатки при поиске факторов потенциального развития отслойки сетчатки (ОС). Решение данной задачи связано с обработкой большого количества разнородного, трудноформализу-емого материала, который лежит в диапазоне от социально-гендерных показателей до анализа особенностей витреоретинального интерфейса, по данным ОКТ. В этой связи мы задались целью установить информативность клинических и параклинических параметров в выявлении периферических ретинальных изменений на основе методов МО. Анализу подверглись все клинические и параклинические показатели (всего 21), вошедшие в базу данных [9]. Они описывали результаты полного офтальмологического обследования, включая витреоретинальный интерфейс по данным ОКТ осмотра с
фундус-линзой (ФЛ) и ультразвукового B-сканирования [9]. На основании периферических изменений сетчатки были сформированны следующие классы:
- 0-й класс - здоровые лица, периферические изменения отсутствовали (63 глаза);
- 1-й класс - витреохориорети-нальная периферическая дистрофия (ВХРПД), 48 глаз;
- 2-й класс - периферический дегенеративный ретиношизис (ДРШ), 59 глаз;
- 3-й класс - регматогенная ОС, 34 глаза;
- 4-й класс - ОС, ассоциированная с ДРШ, 20 глаз;
- 5-й класс - клапанный разрыв, 6 глаз;
- 6-й класс - дырчатый разрыв, 19 глаз.
Для решения поставленной задачи создано 2 классификационные модели: на основе НС прямого распространения; на основе ДР. Классификационная модель на основе НС прямого распространения имела следующие характеристики: 2 скрытых слоя на 100 и 50 нейронов, функция активации ReLU, оптимизация модели методом Бройдена - Флетчера -Голдфарба - Шанно с ограничением по памяти (LBFGS) [9]; разделение на обучающую и тестовую выборку проведено в соотношении 70/30%. ДР представлено: модель - CART информационный критерий - коэффициент Джини, разделение относительно выходного значения, без ограничения глубины; разделение на обучающую и тестовую выборку в соотношении 70/30% [9]. Для визуализации качества работы классификатора относительно всех классов на выборке использовалась матрица запутывания (confusion matrix), или матрица ошибок [9]. Итоговые метрики классификационной модели на основе нСа оказались следующие: accuracy - 0,889; средневзешенная Fl-мера - 0,880 [9]. Наиболее точно представленные показатели характеризуют 0-й класс -глаза без патологических изменений, а также 1-й и 2-й - глаза с ВХРПД и ДРШ. Также высокая точность и чувствительность определены у классов 3 и 4 - регматогенной ОС и ОС, ассоциированной с ретиношизисом. Таким образом, клиническое использование представленных параметров дает возможность с весьма высокой точностью дифференцировать пред-
ставленные классы. Чувствительность менее 70% определена только у 5-го и 6-го классов - глаза соответственно с клапанным и дырчатым разрывами. Возможно, это связано с наличием сочетания разрывов с ВХРПД и ОС, отнесенных к другим классам, так как они включали только глаза с «чистыми разрывами», то есть без ОС и ВХРПД. Полученная матрица ошибок продемонстрировала высокую диагностическую точность в выявлении каждого класса на основе нейросетевой классификационной модели. Использование в диагностике периферических патологических изменений сетчатки параметров, полученных с помощью ОКТ, осмотра с ФЛ и ультразвукового В-сканирования, с учетом гендерно-возрастных характеристик объектов исследования, позволяет с точностью, близкой к 100%, дифференцировать каждый класс. С целью определения, какие из исследуемых параметров наибольшим образом влияют на результат, и таким образом оценить их клиническую значимость, был осуществлен перебор комбинаций данных признаков с включением. Оказалось, что в классификационной модели на основе НСА самое сильное влияние на результат оказывали 2 признака: возраст и показатель циркулярного распространения периферических изменений в градусах. Далее в порядке убывания влияния на результат: бинарный показатель наличия/отсутствия ДРШ по результатам ОКТ бинарный показатель наличия/отсутствия ДРШ по результатам ФЛ; затем следовал показатель локализации периферических изменений, за ним - бинарный показатель наличия/отсутствия витреоретинальной тракции (ВРТ) по данным ОКТ далее - бинарный показатель наличия/отсутствия ОС по данным ОКТ рефракция исследуемого глаза, бинарный показатель наличия/ отсутствия разрыва, бинарный показатель наличия/отсутствия ОС, ассоциированной с ДРШ и, наконец, жалобы пациента. Более слабое влияние на результат оказывали показатели наличия/отсутствия ОС по результатам ультразвукового В-сканирования, наличия/отсутствия ОС по результатам ФЛ, еще слабее - показатели МКОЗ, наличие/отсутствие ВРТ (В-скан), наличие/отсутствие разрыва в пределах ДРШ, наличие/отсутствие ВРТ по данным ФЛ, наличие/отсутствие задней
отслойки стекловидного тела (ЗОСТ) (В-скан), наличие/отсутствие ЗОСТ (ОКТ), наличие/отсутствие ОС, ассоциированной с ДРШ по данным ФЛ; и, наконец, самое слабое влияние на результат оказал пол пациента. Данные результаты важны как для более глубокого понимания сути происходящих периферических изменений сетчатки, так и тактики ведения таких лиц. Они выявляют скрытые, не очевидные взаимосвязи между признаками, расширяя возможности клиницистов. Так, например, возраст не является ведущим фактором в определении тактики лечения либо показанием к тому или иному способу лечения, при этом его вес в корректной работе нейросетевых классификаторов наиболее высок. Более того, полученные результаты указывают на высокую ценность показателя циркулярного распространения патологических периферических изменений сетчатки. На результат работы классификаторов также существенное влияние оказывают ряд показателей ОКТ и осмотра с ФЛ. Интересным и неожиданным представляется тот факт, что наличие разрыва в тех или иных патологических периферических состояниях сетчатки в меньшей степени влияет на результат, чем локализация изменений либо рефракция исследуемого глаза. Итоговые метрики классификационной модели на основе ДР оказались близки к таковым нейросетевой модели: accuracy - 0,827, средневзвешенная F1-мера - 0,851. В классификационной модели на основе ДР представленные показатели также наиболее точно характеризуют 0-й (глаза без патологических изменений) и 1-й классы (ВХРПД). Также высокая чувствительность определена у классов 3 (регматогенная ОС) и 4 (ОС, ассоциированная с ретиношизисом). Аналогично обе модели классифицируют 5-й класс (клапанный разрыв) - PPV равна 1, а чувствительность - менее 70% [9]. Отличия определены:
1) для 6-го класса (дырчатый разрыв): в модели на основе ДР для этого класса чувствительность составила 83,3%, при ее значении менее 70% (50,0%) у нейро-сетевой модели;
2) для класса 2 (ДРШ) в модели на основе ДР чувствительность оказалась менее 70%, при высокой чувствительности (94,4%) в нейросетевом классификаторе.
Оба классификатора продемонстрировали высокое значение F1-score для всех классов, кроме 5-го (<70%) [9]. К моделям на основе ДР для оценки значимости признаков можно применять аналогичный нейросетевым моделям подход - оценивать корректность модели при включении признака в одной из комбинаций либо суммарное снижение корректности при исключении признака в одной из комбинаций. С другой стороны, поскольку модели на основе Др и СЛ, в отличие от нейросетевой модели, используют некоторый информационный критерий на этапе выбора точки разбиения по очередному признаку, значения этого критерия также можно использовать для оценки значимости признаков. Оценка влияния признаков на результат (ненормированная) при использовании ДР путем перебора комбинаций признаков с включением выявила практически полную аналогию с ней-росетевым классификатором. А вот оценка по информационному критерию самого дерева определила самое сильное влияние на результат у параметра циркулярного распространения, затем - у параметра наличия/отсутствия ДРШ по данным ОКТ, на третьем месте - возраст, после - в порядке убывания 3 параметра, опирающихся на ОКТ наличие/отсутствие ОС, наличие/отсутствие ОС, ассоциированной с ДРШ и наличие/отсутствие ВРТ; затем в порядке убывания - наличие/ отсутствие разрывов, наличие/отсутствие ЗОСТ (ОКТ), жалобы, наличие/ отсутствие ОС, ассоциированной с ДРШ по данным ФЛ, МКОЗ, наличие/отсутствие ВРТ по данным ФЛ и рефракция исследуемого глаза. Остальные параметры по информационному критерию самого дерева
вообще никакого влияния на результат не оказали. Таким образом, полученные результаты, с одной стороны, подтвердили интуитивно очевидные для клинициста представления о высокой информативности ОКТ в изучении витреоретинального интерфейса и необходимости ее широкого использования в диагностике периферической патологии ретины, с другой стороны, обратили внимание на ранее совсем не очевидные результаты. К ним относятся высокая информативность таких показателей, как циркулярное распространение патологических изменений, определяемое в градусах, и возраст пациентов. Данные результаты также оказались полезными в прогнозировании вероятности регматогенной ОС у лиц с периферическим ДРШ и разработке тактики его ведения [10].
Несомненно, полученные данные необходимо изучать в дальнейшем на других классификационных моделях, а также учитывать в выборе тактики ведения и лечения каждого конкретного пациента.
Выводы:
1. Использование искусственных НС в анализе структурных и функциональных показателей поражения ГКС у пациентов с ДОНП позволяет существенно повысить чувствительность их диагностики.
2. Несмотря на то, что НСА является наиболее мощным и гибким методом формализации процессов, в ряде случаев ДР и СЛ могут оказаться полезнее, как более вербализуемые и интерпретируемые аналитические модели.
3. Созданные две классификационные модели на основе методов МО (нейросетевая и на основе ДР) для выявления скрытых, не очевидных связей
в параметрах, которые характеризуют периферический витреоретинальный интерфейс продемонстрировали высокую точность. Они подтвердили необходимость широкого использования ОКТ в диагностике периферической патологии ретины в связи с ее высокой информативностью в изучении витреоретинального интерфейса и обратили внимание на важность таких показателей, как циркулярное распространение патологических изменений и возраст пациентов.
4. Методы МО обеспечивают клиницистов ресурсами для персонифицированных подходов как к диагностике и лечению различных заболеваний сетчатки, так и прогнозированию их возникновения и исходов.
Л И Т Е Р А Т У Р А
1. Artificial intelligence and ophthalmology: perks, perils and pitfalls / ed.: P. Ichhpujani, S. Thakur. - Singapore, 2021. -157 p.
2. Николенко С.И. Глубокое обучение. Погружение в мир нейронных сетей / С.И. Николенко, А.А. Кадурин, Е.О. Архангельская. - СПб., 2018. - 480 с.
3. Nielsen M. Neural networks and deep learning [Electronic resource]. - Mode of access: http:// neuralnetworksanddeeplearning.com/. - Date of access: 02.04.2022.
4. Russel St.J. Artificial intelligence: a modern approach / St.J. Russel, P. Norving. - 4th ed. - Hoboken, 2020. - 1136 p.
5. Breiman L. // Mach. Learn. - 1996. - Vol.24. - P.123-140.
6. Аравин О.И. // Росс. журнал биомеханики. - 2011. -Т.15, №3. - С.45-51.
7. Ясницкий Л.Н. Интеллектуальные системы. - М., 2016. - 221 с.
8. Качан Т.В., Курочкин А.В., Головатая Е.А. [и др.] // Офтальмология. Вост. Европа. - 2019. - Т.9, №4. -C.446-457.
9. Качан Т.В., Скрыпник О.В., Курочкин А.В. [и др.] // Офтальмология. Вост. Европа. - 2022. - Т.12, №2. -С.205-217.
10. Скрыпник О.В. // Офтальмология. Вост. Европа. -2022. - Т.12, №3. - С.379-385.
Поступила 27.02.2023 г.
