Интероптик 2022-23

Внедрение систем искусственного интеллекта в офтальмологию


В этой статье представлен краткий обзор технологии искусственного интеллекта и ее применения в офтальмологии.

Введение

Искусственный интеллект (ИИ) быстро становится частью нашей повседневной жизни, причем многие из нас этого даже не замечают. ИИ нередко используется в коммерческих сферах, при этом он демонстрирует огромный потенциал в здравоохранении, например в радиологии, а недавно его стали применять и в нашей области – офтальмологии. В этой статье мы рассмотрим вкратце историю появления ИИ и поразмышляем о необходимости его использования в офтальмологии, изучим некоторые основ­ные руководства и потенциальные риски.

Что такое ИИ?

ИИ – это нечто в компьютере или машине, что способно подражать уму человека. В своих ранних работах на эту тему математик и кибернетик Алан Тьюринг (Alan Turing) положил начало эволюции ИИ [1]. Одновременные открытия в нейробиологии и теории информации привели к тому, что появилась призрачная надежда создать «электронный мозг» [2, 3]. В результате Тьюринг задался вопросом: как понять, что компьютер действительно получил интеллект? В своей знаковой работе 1950 года он размышляет над тем, могут ли машины думать, – именно этот труд выступил катализатором роста научных работ на тему ИИ [4]. В 1956 году ИИ был представлен как способность машины обладать независимым мышлением и подражать поведению человека после обучения [5]. С тех пор начался рост использования ИИ в бизнесе и здравоохранении. В наши дни ИИ применяется для выполнения множества задач, их условно можно разделить на следующие: планирование, обу­чение, решение каких-либо проблем, движение, манипуляции. Машинное обучение (МО) – это вид ИИ (рис. 1), он показывает способность компьютера выполнять задачи, на которые тот не был напрямую запрограммирован. Существуют три типа алгоритмов МО:

1. Контролируемое МО – на этапе обучения алгоритму требуются как данные (например, изображения), так и аннотации (к примеру, классификация), которые были выделены человеком-интерпретатором. Затем си­стема проверяется только на данных без аннотаций.

2. Неконтролируемое МО – на этапе обучения алгоритм получает только данные без каких-либо аннотаций. Интеллектуальная система самостоятельно определяет внутреннюю структуру данных и соответствующим образом классифицирует их.

3. Подкрепляющее МО – алгоритм получает и интерпретирует данные самостоятельно, но посредством динамического процесса с оценочной обратной связью, чтобы максимизировать функцию вознаграждения.

Рис. 1. Отношение между искусственным интеллектом, машинным обучением и глубоким обучением

Что такое глубокое обучение?

Глубокое обучение (ГО) – это тип МО, с его помощью можно обрабатывать большие объемы данных, интерпретировать признаки и классифицировать их без участия эксперта, который предварительно извлекает признаки изображения перед отправкой в модель [6]. Система ГО смоделирована на основе структуры человеческого мозга и нейронных сетей. Часто эти сети имеют много слоев и называются сверточными нейронными сетями (СНС) (рис. 2). Такая структура модели ГО облегчает анализ изображений, видео и не­структурированных данных. Разработка си­стем ГО для классификации изображений, помимо других задач, в значительной степени возможна благодаря нашему доступу к большим данным и способности обрабатывать их. Вычислительная мощность за последние несколько десятилетий выросла в геометрической прогрессии при резком снижении затрат. Модели ГО в значительной степени способствовали успеху ИИ в медицине [7]. Использование ГО в этой сфере обеспечивает всесторонний обзор конкретного случая, что впоследствии позволяет ставить более точные диагнозы и разрабатывать индивидуальные планы лечения. Кроме того, с помощью ИИ в здравоохранении можно эффективно обрабатывать и интерпретировать большие данные, такие как секвенирование всего генома, электронные медицинские карты и медицинские изображения, что, как известно, является сложной задачей для управления и выполнения [8–10]. ГО особенно полезно в распознавании изображений, что в настоящее время продемонстрировано в радиологии, патологии и совсем недавно в офтальмологии [11–13].

Рис. 2. Упрощенный обзор контролируемой модели ГО:
а – этап обучения алгоритма с использованием как данных, так и аннотаций, введенных в модель с помощью сверточной нейронной сети. Затем алгоритм постепенно учится по ним; б – этап проверки алгоритма, который включает в себя только данные, вводимые в систему, и генерируемые прогнозы

ИИ в офтальмологии

Офтальмология, возможно, находится на передовой по развитию ИИ в здравоохранении со своей многообещающей работой по проверке концепции в диагностических и аналитических клинических сценариях [7]. Модели ГО обычно используются для офтальмологических исследований и были разработаны для анализа данных, сегментации, диагностических и прогностических систем [14]. Интеллектуальные системы создаются в офтальмологии преимущественно для анализа изображений, например фотографий глазного дна, или интерпретации данных оптической когерентной томографии (ОКТ). Были разработаны инструменты скрининга диабетической ретинопатии и глаукомы, открывающие потенциал для более ранней диаг­ностики этих заболеваний [15–21]. Кроме того, доказательство полезности концепции использования ИИ для прогнозирования и оценки прогрессирования того или иного заболевания было продемонстрировано у пациентов с возрастной макулярной дегенерацией (ВМД) и диабетической ретинопатией [17, 22–25]. Совсем недавно ГО доказало высокий уровень точности в различении угрожаю­щей зрению папиллоэдемы от псевдопапиллоэдемы [26]. Многие из этих разработанных интеллектуальных систем обнаруживают впечатляющую производительность, часто превосходящую человеческие возможности. Например, диагностические показатели выявления диабетической ретинопатии улучшились после внедрения ГО и достигли чувствительности и специфичности, равных 96,8 и 87,0 % соответственно [15].

Как со старением населения, так и с ростом его численности нагрузка на системы здравоохранения во всем мире возрастает [27, 28]. Кроме того, технологии визуализации, такие как ОКТ, становятся все более доступными и намного превосходят возможности опытных клиницистов для интерпретации результатов [29]. Таким образом, мы находимся в критическое время для внедрения интеллектуальных систем, способных помочь клиникам и снизить нагрузку на врачей.

Обучение консультантов в статье

До настоящего времени ИИ в педиатрической офтальмологи применялся лишь в ограниченных масштабах [30–34]. Вероятно, это связано с отсутствием достаточно больших аннотированных наборов данных для детей, позволяющих проводить обучение и валидацию. В результате демографические данные этой части населения обычно упускаются из виду, и, следовательно, сфера диаг­ностики здоровья детей часто лишена новых технологий.

В настоящее время ретинопатия недоношенных и врожденная катаракта являются двумя основными областями исследований ИИ в детской офтальмологии [33, 34]. Кроме того, медленно развивается использование МО для выявления косоглазия, нарушения чтения и аномалий рефракции [30–32]. Диаг­ностика, количественная оценка и классификация детских глазных заболеваний с использованием ИИ потенциально может увеличить успешность работы медицинских учреждений.

Руководящие принципы для исследований ИИ: юридические соображения и согласие

Большинство исследований, связанных с при­менением ИИ в здравоохранении, проводятся на ретроспективной основе с использованием чистых аннотированных баз данных [35]. Однако все это не является репрезентативным для реальных клинических баз данных, где в большинстве случаев переменные неструктурированы и беспорядочны [36]. Поэтому результаты этих ретроспективных исследований следует рассматривать скорее как подтверждение концепции и формирование гипотез, чем как конкретное доказательство успешности алгоритма [35]. Для оценки фактической производительности интеллектуальной системы проспективные клинические испытания должны проводиться в клинических сценариях в режиме реального времени.

Необходимо соблюдать конкретные рекомендации для их проведения. Сводные стандарты отчетности об испытаниях (Consolidated Standards of Reporting Trials – CONSORT) были впервые введены в 1996 году [37] и недавно, в 2020 году, расширены; в них включены руководящие принципы для любых клинических испытаний, в которых используется компонент ИИ [38–40]. Параллельно с CONSORT-AI было выпущено заявление для протоколов клинических испытаний «Стандартные пункты протокола: рекомендации для интервенционных испытаний – ИИ» (Standard Protocol Items: Recommendations for Interventional Trials – AI – SPIRIT-AI) [41–43].

Первая автономная диагностическая си­стема с ИИ, получившая разрешение Управления США по контролю качества пищевых продуктов, медикаментов и косметических средств (Food and Drug Administration – FDA), была интеллектуальной системой, предназначенной для выявления диабетической ретинопатии [15]. Количество исследований, подтверждающих концепцию использования ГО в медицине, быстро растет; однако на сегодняшний день проспективных клинических испытаний мало. По состоянию на сентябрь 2020 года публичные данные доступны только для 11 клинических испытаний в системах ИИ, связанных со здравоохранением [15, 44–52], четыре из которых были в области офтальмологии [15, 35, 44–46].

Термин «большие данные» (big data) часто ассоциируется с ИИ и описывает большие наборы данных, необходимые для обучения и проверки интеллектуальных си­стем, чтобы обеспечить наличие необходимого количества сведений для снижения риска недостаточного соответствия модели. Нехватка оснащения описывает низкую производительность модели в обучающем наборе данных, поскольку она не может делать выводы о взаимосвязи между входными и выходными переменными. В здравоохранении эти большие наборы данных часто получают от пациентов с течением времени и из нескольких разных мест, например из больниц.

Конфиденциальность данных является ключевым фактором разработки надежных руководящих принципов для обеспечения наиболее надлежащего подхода к исследованиям с использованием ИИ.

Общий регламент по защите данных (General Data Protection Regulation – GDPR) был впервые введен в действие в 2018 году для регулирования защиты персональных данных в Европе [53]. Согласно ему, все медицинские данные считаются персональными. Однако если они используются в исследовательских целях, то это положение может быть пересмотрено [54]. Поэтому в GDPR введена новая версия деидентификации под названием «псевдоанонимизация», чтобы разрешить использование исключенных персональных данных в исследованиях при условии наличия законных оснований [55]; это касается только удаления данных, которые непосредственно идентифицируют [55].

Исследования, разрабатывающие системы ИИ для здравоохранения, часто предполагают сотрудничество нескольких центров для обеспечения сбора достаточно большого и разнообразного набора данных. Многоцентровые усилия особенно важны при создании систем для лечения редких заболеваний. Такие исследования, разумеется, предполагают некоторую форму обмена данными, что неизбежно увеличивает риск их утечки [56]. Один из новых подходов, который может быть реализован для защиты конфиденциальности данных, называется «федеративное обучение» [56], он был впервые предложен в 2017 году сотрудниками подразделения Google AI и описывает децентрализацию алгоритмов. С ее помощью можно обучать алгоритм на данных в защищенной среде, например в больнице или университете [57], что позволяет нескольким центрам получать доступ к нему без необходимости распространять свою зашифрованную информацию по нескольким сайтам [7]. Аналогичным подходом к минимизации риска повторной идентификации было бы локальное обучение генеративных состязательных сетей (Generative Adversarial Network – GAN) и последующее совместное их использование вместо обмена данными. GAN являются недавним достижением и требуют использования сгенерированных синтетических данных, это означает, что производительность модели может быть подвержена искажениям и ставит под угрозу безопасность и эффективность [56].

Преимущества внедрения ИИ в здравоохранение

ГО в здравоохранении потенциально может расширить возможности врачей и улучшить терапию, способствуя принятию клинических решений [58]. Однако важно учитывать, что ИИ используется здесь не для того, чтобы заменить врача. Когда пациент приходит в клинику, и, например, у него выявляется аномалия зрительного нерва при оценке ОКТ, то она рассматривается не изолированно, а комплексно – изучается общая клиническая картина, в том числе история болезни, клинические оценки, симптомы, о которых сообщил пациент, и другие аспекты клинической работы. Тот же принцип применим и к ИИ в здравоохранении. Хотя с его помощью можно обеспечить более эффективный процесс классификации аномалий, клиническая проработка и вклад врача остаются важнейшим элементом диагностики [35]. С учетом этого внедрение ИИ в здравоохранение требует применения алгоритма human-in-the-loop, что особенно важно при рассмотрении сложных случаев [35]. Также оно может способствовать более эффективному клиническому подходу, позволяющему врачам больше времени уделять пациенту. В связи с неизбежным включением инструментов ИИ в повседневную практику важно, чтобы клиницисты получили соответствующее образование [59]. Они, вероятно, будут участвовать в разработке, проверке и внедрении этих систем, следовательно, для выполнения перечисленных задач им потребуются определенные умения или знания.

Создание автоматизированных систем ГО потенциально может сыграть центральную роль в демократизации ИИ в здраво­охранении. Эти системы описывают доступный пользовательский интерфейс, который позволяет людям с минимальными знаниями в области программирования или вообще без них ориентироваться и разрабатывать модели ГО [60]. Медицинские приложения с автоматизированным ГО уже были продемонстрированы в исследованиях, подтверждающих эту концепцию. Одним из таких примеров является исследование реализуемости классификации медицинских изображений (изображений поражения кожи, рент­геновских снимков грудной клетки и фотографий сетчатки) с использованием автоматизированного ГО, в котором участвовали врачи, не имеющие навыков программирования [60].

Модели контролируемого МО часто реа­лизуются для интеллектуальных систем здравоохранения, поскольку возможно обу­чение алгоритма с использованием существующих систем классификации или оценок. Однако иногда незначительные особенности могут быть легко упущены человеком-интерпретатором и, возможно, не будут учтены при разработке классификаций. Обучение по заранее определенным группам может помешать алгоритму преодолеть ограничения и предвзятость со стороны врачей [61]. Одним из преимуществ использования неконтролируемого МО для классификации является способность интеллектуальной системы группировать изображения на основе сходных признаков. Хотя алгоритм не сможет указать, например, «диагноз диабетической ретинопатии», с его помощью можно группировать похожие изображения. В этом качестве ИИ способствует новым открытиям или обнаруживает ранее пропущенные незначительные изменения.

Ограничения и риски применения ИИ в здравоохранении

Несмотря на то что многообещающие исследования продемонстрировали высокую производительность систем ИИ, существует множество препятствий для их внедрения в область здравоохранения [62]. Технологии, в основе которых лежит ИИ, создают трудности и связанные с ними риски [63]. Одной из распространенных проблем, ассоциированных с использованием ГО, является характер систем – они похожи на «черный ящик» [64]. Этот термин описывает непрозрачную сущность алгоритма и последующую неспособность раскрыть, как интеллектуальная система приходит к выводу о классификации изображений. Однако недавние достижения в области объяснимого ИИ (например, Grad-CAM) могут помочь демистифицировать системы, предоставляя выходные данные с разъяснением шаблонов, которые эта система просматривает на изображении, чтобы завершить прогноз [65].

Важным соображением при использовании моделей контролируемого МО является то, что все аннотации, предоставленные для данных (основные истины), были назначены клиницистом или исследователем. При классификации и присвоении значений всегда будет присутствовать человеческий фактор [61]. Таким образом, точность проверки разработанных интеллектуальных систем никогда не достигнет 100 % из-за него. Однако привлечение команды опытных клиницистов для классификации всех изображений может уменьшить эту погрешность и повысить эффективность и точность диагностики. Еще одной проблемой, связанной с внедрением таких интеллектуальных систем в клиническую практику, является непоследовательность анализа данных с различных ОКТ-устройств и отсутствие стандартизации протоколов визуализации [66].

Несмотря на усилия по деидентификации данных пациентов, технический прогресс может позволить в будущем повторно идентифицировать данные [56, 67]. Уже продемонстрирована способность определять пол, возраст и факторы риска сердечно-сосудистых заболеваний по фотографиям глазного дна [68].

Часто системы ГО создаются с использованием гетерогенных популяций. Это потенциально может привести к разработке предвзятых моделей, которые могут плохо работать при внедрении в различные группы населения. Поэтому важно включать разнообразные наборы данных для создания и проверки моделей ГО перед внедрением в систему здравоохранения для обеспечения широкого представительства всех групп населения. Без этого диагностические и прогностические неточности неизбежны. Это также подчеркивает важность проведения клинических испытаний для проверки системы с использованием ИИ, чтобы предотвратить причинение какого-либо вреда пациентам и постановку потенциально неверного диагноза [35].

Заключение

Разработка скрининговых инструментов, оснащенных ИИ, и их совмещение с программами телемедицины демократизируют систему здравоохранения в области офтальмологии; это позволяет на этапе первичного звена выявлять патологии на ранней стадии [69]. Благодаря этому уменьшится финансовое бремя на министерства здравоохранения, увеличится доступность медицинской помощи, улучшится результат пребывания пациента в медицинском учреждении. Тем не менее все обозначенные в статье системы ГО находятся для офтальмологии только на стадии обсуждения концепции, лишь немногие были имплементированы во врачебную практику. Так или иначе, в ближайшем будущем ожидается резкое увеличение числа клинических исследований на тему использования ИИ в скрининге и диагностике с последующим применением их результатов в медицинской практике.

Список литературы

1.    Turing AM. On Computable Numbers, with an Application to the Entscheidungsproblem. Proc London Math Soc 1937 2: 230–265.
2.    Hubel DH, Wiesel TN. Receptive fields of single neuro­nes in the cat’s striate cortex. J Physiol 1959 148: 574–591.
3.    Rosenblatt F. The perceptron: a probabilistic model for information storage and organization in the brain. Psychol Rev 1958 65: 386–408.
4.    Turing AM. I. Computing machinery and intelligence. Mind 1950 236: 433–460.
5.    McCarthy JMM, Rochester N, Shannon CE. in AI Mag. (2006 (1956)).
6.    LeCun Y, Bengio Y, Hinton G. Deep learning. Nature 2015 521: 436–444.
7.    Esteva A. Chou K, Yeung S, et al. Deep learning-enabled medical computer vision. NPJ Digit Med 2021 4: 5.
8.    Jiao W, Atwal G, Polak P, et al. A deep learning system accurately classifies primary and metastatic cancers using passenger mutation patterns. Nat Commun 2020 11: 728.
9.    Rajkomar A, Oren E, Chen K, et al. Scalable and accurate deep learning with electronic health records. NPJ Digit Med 2018 1: 18.
10.    Kim M, Un J, Cho Y, et al. Deep Learning in Medical Imaging. Neurospine 2019 16: 657–668.
11.    Grewal PS, Oloumi F, Rubin U, et al. Deep learning in ophthalmology: a review. Can J Ophthalmol 2018 53: 309–313.
12.    McBee MP, Awan OA, Colucci AT, et al. Deep Learning in Radiology. Acad Radiol 2018 25: 1472–1480.
13.    Serag A, Ion-Margineanu A, Qureshi H, et al. Transla­tional AI and Deep Learning in Diagnostic Pathology. Front Med (Lausanne) 2019 6: 185.
14.    Schmidt-Erfurth U, Sadeghipour A, Gerendas BS, et al. Artificial intelligence in retina. Prog Retin Eye Res 2018 67: 1–29.
15.    Abramoff MD, Lavin PT, Birch M, et al. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med 2018 1: 39.
16.    Liu H, Li L, Wormstone M, et al. Development and Validation of a Deep Learning System to Detect Glaucomatous Optic Neuropathy Using Fundus Photo­graphs. JAMA Ophthalmol 2019 137: 1353–1360.
17.    Ting DSW, Cheung CYL, Lim G, et al. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA 2017 318: 2211–2223.
18.    Gulshan V, Peng L, Coram M, et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA 2016 316: 2402–2410.
19.    Lee CS, Tyring AJ, Deruyter NP, et al. Deep-learning based, automated segmentation of macular edema in optical coherence tomography. Biomed Opt Express 2017 8: 3440–3448.
20.    Gargeya R, Leng T. Automated Identification of Diabetic Retinopathy Using Deep Learning. Ophthalmology 2017 124: 962–969.
21.    Li Z, He Y, Keel S, et al. Efficacy of a Deep Learning System for Detecting Glaucomatous Optic Neuropathy Based on Color Fundus Photographs. Ophthalmology 2018 125: 1199–1206.
22.    Arcadu F, Benmansour F, Maunz A, et al. Deep learning algorithm predicts diabetic retinopathy progression in individual patients. NPJ Digit Med 2019 2: 92.
23.    Yan Q., Weeks D, Xin H, et al. Deep-learning-based Prediction of Late Age-Related Macular Degeneration Progression. Nat Mach Intell 2020 2: 141–150.
24.    Burlina PM, Joshi N, Pekala M, et al. Automated Grading of Age-Related Macular Degeneration From Color Fundus Images Using Deep Convolutional Neural Networks. JAMA Ophthalmol 2017 135: 1170–1176.
25.    Grassmann F, Mengelkamp J, Brandl C, et al. A Deep Learning Algorithm for Prediction of Age-Related Eye Disease Study Severity Scale for Age-Related Macular Degeneration from Color Fundus Photography. Ophthalmology 2018 125: 1410–1420.
26.    Milea D, Hajjar RP, Jiang Z, et al. Artificial Intelligence to Detect Papilledema from Ocular Fundus Photographs. N Engl J Med 2020 382: 1687–1695.
27.    Nicol E. The ageing population in healthcare: a challenge to, and in, the workforce. Clin Med (Lond) 2017 17: 291–292.
28.    Perrott GS, Holland DF. Population trends and pro­blems of public health. 1940. Milbank Q 2005 83: 569–608.
29.    Fujimoto J, Swanson E. The Development, Commer­cialization, and Impact of Optical Coherence Tomography. Invest Ophthalmol Vis Sci 2016 57: OCT1–OCT13.
30.    Lin H, Long E, Ding X, et al. Prediction of myopia development among Chinese school-aged children using refraction data from electronic medical records: A retrospective, multicentre machine learning study. PLoS Med 2015 15: e1002674.
31.    Lu JFZ, Zheng C, Feng J, et al. Automated Strabismus Detection for Telemedicine Applications. Knowledge-Based Systems 2018. 
32.    Benfatto MN, Seimyr GÖ, Ygge J, et al. Screening for Dyslexia Using Eye Tracking during Reading. PLoS One 2016 11: e0165508.
33.    Wang J, Ju R, Chen Y, et al. Automated retinopathy of prematurity screening using deep neural networks. EBioMedicine 2018 35: 361–368.
34.    Zhang K, Liu X, Jiang J, et al. Prediction of postoperative complications of pediatric cataract patients using data mining. J Transl Med 2019 17: 2.
35.    Topol EJ. Welcoming new guidelines for AI clinical research. Nat Med 2020 26: 1318–1320.
36.    Kong HJ. Managing Unstructured Big Data in Healthcare System. Healthc Inform Res 2019 25: 1–2.
37.    Begg C, Cho M, Eastwood S, et al. Improving the quality of reporting of randomized controlled trials. The CONSORT statement. JAMA 1996 276: 637–639.
38.    Liu X, Cruz Rivera S, Moher D, et al. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension. Lancet Digit Health 2020 2: e537–e548.
39.    Liu X, Cruz Rivera S, Moher D, et al. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension. Nat Med 2020 26: 1364–1374.
40.    Liu, X, Cruz Rivera S, Moher D, et al. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI Extension. BMJ 2020 370.
41.    Cruz Rivera S, Liu X, Chan AW, et al. Guidelines for clinical trial protocols for interventions involving artificial intelligence: the SPIRIT-AI extension. Lancet Digit Health 2020 2: e549–e560.
42.    Cruz Rivera S, Liu X, Chan AW, et al. Guidelines for clinical trial protocols for interventions involving artificial intelligence: the SPIRIT-AI extension. Nat Med 2020 26: 1351–1363.
43.    Cruz Rivera S, Liu X, Chan AW, et al. Guidelines for clinical trial protocols for interventions involving artificial intelligence: the SPIRIT-AI Extension. BMJ 2020 370.
44.    Gulshan V, Rajan RP, Widner K, et al. Performance of a Deep-Learning Algorithm vs Manual Grading for Detecting Diabetic Retinopathy in India. JAMA Ophthal­mol 2019 137: 987–993.
45.    Kanagasingam Y, Xiao D, Vignarajan J, et al. Evaluation of Artificial Intelligence-Based Grading of Diabetic Retinopathy in Primary Care. JAMA Netw Open 2018 1: e182665.
46.    Long E, Lin H, Liu Z, et al. An artificial intelligence platform for the multihospital collaborative management of congenital cataracts. Nature Biomedical Engineering 2017 1: 0024.
47.    Lee H, Yune S, Mansouri M, et al. An explainable deep-learning algorithm for the detection of acute intracranial haemorrhage from small datasets. Nat Biomed Eng 2019 3: 173–182.
48.    Steiner DF, MacDonald R, Liu Y, et al. Impact of Deep Learning Assistance on the Histopathologic Review of Lymph Nodes for Metastatic Breast Cancer. Am J Surg Pathol 2018 42: 1636–1646.
49.    Li C, Jing B, Ke L, et al. Development and validation of an endoscopic images-based deep learning model for detection with nasopharyngeal malignancies. Cancer Commun (Lond) 2018 38: 59.
50.    Mori Y, Kudo SE, Misawa M, et al. Real-Time Use of Artificial Intelligence in Identification of Diminutive Polyps During Colonoscopy: A Prospective Study. Ann Intern Med 2018 169, 357–366.
51.    Dascalu A, David EO. Skin cancer detection by deep learning and sound analysis algorithms: A prospective clinical study of an elementary dermoscope. EBioMedicine 2019 43: 107–113.
52.    Phillips M, Marsden H, Jaffe W, et al. Assessment of Accuracy of an Artificial Intelligence Algorithm to Detect Melanoma in Images of Skin Lesions. JAMA Netw Open 2019 2: e1913436.
53.    UK Public General Acts. General Data Protection Regulation (GDPR) 2018.
54.    Lee D, Park M, Chang S et al. Protecting and Utilizing Health and Medical Big Data: Policy Perspectives from Korea. Healthc Inform Res 2019 25: 239–247.
55.    Berger B, Cho H. Emerging technologies towards enhancing privacy in genomic data sharing. Genome Biol 2019 20: 128.
56.    Tom E, Keane PA, Blazes M, et al. Protecting Data Privacy in the Age of AI-Enabled Ophthalmology. Transl Vis Sci Technol 2020 9: 36.
57.    Konečný J, McMahan HB, Ramage D, et al. Federated Optimization: Distributed Machine Learning for On-Device Intelligence. ArXiv 2016.
58.    Garcia-Vidal C, Sanjuan G, Puerta-Alcalde P, et al. Artificial intelligence to support clinical decision-making processes. EBioMedicine 2019 46: 27–29.
59.    Keane PA, Topol EJ. AI-facilitated health care requires education of clinicians. Lancet 2021 397: 1254.
60.    Faes L, Wagner SK, Fu DJ, et al. Automated deep learning design for medical image classification by health-care professionals with no coding experience: a feasibility study. Lancet Digit Health 2019 1: e232–e242.
61.    Obermeyer Z, Topol EJ. Artificial intelligence, bias, and patients’ perspectives. Lancet 2021 397: 2038.
62.    Davenport T, Kalakota R. The potential for artificial intelligence in healthcare. Future Healthc J 2019 6: 94–98.
63.    Kelly CJ, Karthikesalingam A, Suleyman M, et al. Key challenges for delivering clinical impact with artificial intelligence. BMC Med 2019 17: 195.
64.    Duran JM, Jongsma KR. Who is afraid of black box algorithms? On the epistemological and ethical basis of trust in medical AI. J Med Ethics 2021 47: 5.
65.    Jiang H, Xu J, Shi R, et al. A Multi-Label Deep Learning Model with Interpretable Grad-CAM for Diabetic Retinopathy Classification. Annu Int Conf IEEE Eng Med Biol Soc 2020 1560–1563.
66.    Moraru AD, Costin D, Moraru RL et al. Artificial intelligence and deep learning in ophthalmology – present and future (Review). Exp Ther Med 20: 3469–3473.
67.    Rocher L, Hendrickx JM, de Montjoye YA. Estimating the success of re-identifications in incomplete datasets using generative models. Nat Commun 2019 10: 3069.
68.    Poplin R, Varadarajan AV, Blumer K, et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat Biomed Eng 2018 2: 158–164.
69.    Ting DSW, Pasquale LR, Peng L, et al. Artificial intelligence and deep learning in ophthalmology. Br J Oph­thalmol 2019 103: 167–175.

Авторы:
Х. Кат, доктор философии, научный сотрудник, ортоптик в Университете Лестера (Лестер, Великобритания)
М. Томас, доктор философии, сотрудник кафедры науки о зрении Университета Лестера (Лестер, Великобритания)

Перевод: И. В. Ластовская

Оригинал статьи опубликован в журнале Optometry Today 09.04.2022. Перевод печатается с разрешения редакции

© РА «Веко»

Печатная версия статьи опубликована в журнале «Современная оптометрия»  [2022. № 5 (154)].

По вопросам приобретения журналов и оформления подписки обращайтесь в отдел продаж РА «Веко»:

  • Тел.: (812) 634-43-34.
  • E-mail: magazine@veko.ru
  • veko.ru

Наши страницы в соцсетях:

Ближайшие события