Инфекция в глазу. Нейронные сети в диагностике грибкового кератита.

Применение алгоритмов глубокого машинного обучения на основе многослойной нейронной сети YOLOv8 для идентификации грибкового кератита, stm-journal.ru

А.В. Ситнова, клинический ординатор кафедры глазных болезней (1),  Э.Р. Валитов, преподаватель кафедры компьютерных наук Депаратамента больших данных и информационного поиска (2), С.Н. Светозарский, к.м.н., врач-офтальмолог (3), ассистент кафедры глазных болезней (4).

(1) Национальный медицинский исследовательский центр Межотраслевой научно-технический комплекс Микрохирургия глаза имени академика С.Н. Федорова Минздрава РФ, Бескудниковский бульвар, 59а, Москва, 127486

(2) Национальный исследовательский университет Высшая школа экономики, ул. Мясницкая, 20, Москва, 101000

(3) Приволжский окружной медицинский центр ФМБА России, ул. Ильинская, 14, Н. Новгород, 603000

(4) Приволжский исследовательский медицинский университет, пл. Минина и Пожарского, 10/1, Н. Новгород, 603005 

Цель исследования.

Разработка метода диагностики грибкового кератита на основе анализа фотографий переднего отрезка глаза при помощи алгоритмов глубокого машинного обучения с последующей оценкой чувствительности и специфичности на тестовом наборе данных в сравнении с результатами практикующих офтальмологов.

Материалы и методы.

Исследование включало следующие этапы: набор данных, предварительная подготовка, аугментация и разметка изображений, выбор подхода к обучению и архитектуры нейронной сети, обучение модели, валидация с коррекцией гиперпараметров, оценка показателей эффективности алгоритма на тестовой выборке, определение чувствительности и специфичности выявления грибкового кератита практикующими врачами.

Использовали 274 изображения переднего отрезка глаза: 130 фотографий глаз, пораженных грибковым кератитом, и 144 снимка - физиологическая норма, кератиты другой этиологии и различные заболевания переднего отрезка глаза.

Исключали фотографии, сделанные после начала лечения, а также иллюстрирующие кератиты смешанной этиологии и перфорацию роговицы.

Изображения тренировочной выборки размечали с помощью веб-приложения VGG Image Annotator, после чего использовали для обучения сверточной нейронной сети YOLOv8.

Набор фотографий тестовой выборки был также предложен практикующим офтальмологам для определения точности диагностики грибкового кератита.

Результаты.

Показатель чувствительности модели составил 56%, уровень специфичности достигал 96,1%, доля правильных ответов алгоритма 76,5%.

Точность распознавания изображений практикующими офтальмологами составила 50%, специфичность 41,7% и чувствительность 57,7%.

При этом точность и специфичность алгоритма статистически значимо превосходили результаты экспертной оценки (р<0,05).

Заключение.

Исследование показало высокий потенциал алгоритмов глубокого машинного обучения в диагностике грибкового кератита и их преимущества в специфичности по сравнению с экспертной оценкой при условии отсутствия метаданных.

Использование технологий компьютерного зрения может найти применение в качестве дополнительного метода диагностики при принятии решений в сложных случаях и в условиях телемедицинской помощи.

Требуются дальнейшие исследования для сравнения разработанной модели с альтернативными подходами, расширение и стандартизация баз данных. 

Ключевые слова: глубокое обучение; сверточная нейронная сеть; YOLOv8; микоз роговицы; диагностика кератитов. 

Для контактов.

Ситнова Ангелина Васильевна, e-mail: godthor99@gmail.com П

Как цитировать: Sitnova A.V., Valitov E.R., Svetozarskiy S.N. Application of deep learning algorithms based on the multilayer YOLOv8 neural network to identify fungal keratitis. Sovremennye tehnologii v medicine 2024; 16(4): 5, https://doi.org/10.17691/

---

Application of Deep Learning Algorithms Based on the Multilayer YOLOv8 Neural Network to Identify Fungal Keratitis. 

A.V. Sitnova, Clinical Resident, Department of Eye Diseases (1)

E.R. Valitov, Teacher, Computer Sciences Chair, Department of Big Data and Information Retrieval (2)

S.N. Svetozarskiy, MD, PhD, Ophthalmologist (3), Assistant, Department of Eye Diseases (4).

(1) The S. Fyodorov Eye Microsurgery Federal State Institution, 59a Beskudnikovsky Blvd., Moscow, 127486, Russia

(2) National Research University Higher School of Economics, 20 Myasnitskaya St., Moscow, 101000, Russia

(3) Privolzhsky District Medical Center of Federal Medico-Biologic Agency of Russia, 14 Ilyinskaya St., Nizhny Novgorod, 603000, Russia

(4) Privolzhsky Research Medical University, 10/1 Minin and Pozharsky Square, Nizhny Novgorod, 603005, Russia.

The aim of the study is to develop a method for diagnosing fungal keratitis based on the analysis of photographs of the anterior segment of the eye using deep learning algorithms with subsequent evaluation of sensitivity and specificity of the method on a test data set in comparison with the results of practicing ophthalmologists.

Materials and Methods.

The study has included the stages of data acquisition, image pre-training and markup, selection of training approach and neural network architecture, training with input data augmentation, validation with hyperparameter correction, evaluation of algorithm performance on a test sample, and determination of sensitivity and specificity of fungal keratitis detection by practicing doctors.

A total of 274 anterior segment images were used, including 130 photographs of the eyes affected by fungal keratitis and 144 photographs illustrating normal eyes, keratitis of other etiologies, and various anterior segment pathologies.

Photographs taken after the treatment onset, illustrations of keratitis of mixed etiology and corneal perforation were excluded from the study.

Images of the training sample were marked up using the VGG Image Annotator web application and then used to train the YOLOv8 convolutional neural network.

Images from the test data set were also offered to practicing ophthalmologists to determine the diagnostic accuracy of fungal keratitis.

Results.

The sensitivity of the model was 56%, the specificity level reached 96.1%, and the proportion of correct answers of the algorithm was 76.5%.

The accuracy of image recognition by practicing ophthalmologists was 50.0%, specificity 41.7%, sensitivity 57.7%.

Conclusion.

The study showed the high potential of deep learning algorithms in the diagnosis of fungal keratitis and its advantages in accuracy compared to expert judgment in the absence of metadata.

The use of computer vision technologies may find application as a complementary diagnostic method in decision making in complex cases and in telemedicine care settings. Further research is required to compare the developed model with alternative approaches, to expand and standardize databases.

Key words: deep learning; convolutional neural network; YOLOv8; corneal mycosis; keratitis diagnosis.

---

Infection in the eye. Neutron networks in the diagnosis of fungal keratitis.

Благодарим Ситнову Ангелину Васильевну за помощь в подготовке материала.

Новости офтальмологии электронного СМИ портал Орган зрения organum-visus

Материал подготовил Голубев Сергей Юрьевич, врач-офтальмолог, кандидат медицинских наук, руководитель электронного СМИ офтальмологический портал Орган зрения organum-visus