W dniu 23 czerwca odbyła się konferencja pt. „Sztuczna inteligencja w okulistyce 2023” zorganizowana przez Fundację Wspierania Rozwoju Okulistyki, Katedrę Okulistyki
UWM oraz Międzynarodowe Towarzystwo Sztucznej inteligencji w okulistyce dzięki grantowi udzielonemu przez Ministerstwo Edukacji i Nauki w ramach programu „Doskonała Nauka”.
Konferencja składała się z czterech sesji, dwie przedstawiały najnowsze osiągnięcia naukowe ze świata, a dwie – najnowsze osiągnięcia naukowe z Polski. W całej konferencji wzięło udział 12 wykładowców. Szczegółowy program i sylwetki wykładowców zaprezentowano na stronie https://aiinophthalmology.com/, a wykłady zostały po konferencji umieszczone na specjalnym kanale na YouTube.
Poniżej przedstawione zostanie streszczenie najważniejszych wykładów.
SIATKÓWKA JAKO OKNO, W KTÓRYM MOŻNA ZOBACZYĆ RYZYKO CHORÓB UKŁADU KRĄŻENIA (CVD)
Prof. Ryo Kawasaki, MD, PhD
Department of Social Medicine, Osaka University
Wstęp: Objawy naczyniowe siatkówki służą jako wskaźniki uszkodzeń narządów końcowych i są przejawem ryzyka sercowo-naczyniowego oraz zaburzeń metabolicznych, takich jak nadciśnienie czy cukrzyca. Wśród nich szczególnie widoczne są objawy skrzyżowania tętniczożylnego (A-V), odzwierciedlające przewlekłe nadciśnienie i stwardnienie tętnic. Chociaż objawy te wiążą się z ryzykiem sercowo-naczyniowym, ich wykorzystanie w warunkach klinicznych lub badaniach przesiewowych jest ograniczone ze względu na złożoność spójnej klasyfikacji. Najnowsze osiągnięcia technologiczne, takie jak głębokie uczenie się, zrewolucjonizowały tę dziedzinę. Wykład podzielony jest na dwie części skupiające się na ocenie nasilenia objawów skrzyżowania AV oraz ocenie profilu ryzyka chorób układu krążenia (CVD).
Część I: Ocena nasilenia objawów skrzyżowania tętniczo-żylnego siatkówki
Metody: Stworzono kombinację modeli głębokiego uczenia się, aby naśladować proces badania dokonywanego przez specjalistów medycznych, obejmujący identyfikację naczyń, rozróżnianie tętniczek i żyłek, lokalizowanie punktów przecięcia i ocenę ciężkości.
Grupa badana: 684 uczestników badania Ohasama, skupiającego się na nadciśnieniu i chorobach układu krążenia.
Proces obrazowania: Obrazy siatkówki rejestrowano w rozdzielczości 5184 × 3456 pikseli przy użyciucyfrowej kamery siatkówkowej Canon CR-2 AF bez źrenicy.
Budowa modelu
Model segmentacji naczyń: IterNet (https://github. com/conscienceli/IterNet) Model klasyfikacji tętnic/ żył: SeqNet (https://github.com/conscienceli/SeqNet) Wykrywanie punktów skrzyżowania tętniczo-żylnych (AV): Wykorzystano szkieletową mapę statków do precyzyjnego wykrywania.
Adnotacja dotycząca skrzyżowania AV: Obrazy zostały szczegółowo sprawdzone i ocenione przez doświadczonego okulistę.
Model oceny ważności punktu skrzyżowania AV: Dane podzielono na zbiory szkoleniowe, walidacyjne i testowe.
Zwiększanie wydajności danych: w celu zwiększenia wydajności modeli głębokiego uczenia wykorzystano łącznie 11 operatorów.
Sieć zespołów zajmujących się wieloma diagnostykami (MDTNet): wprowadzona w celu rozwiązania problemu niejednoznaczności etykiet i braku równowagi w dystrybucji.
Wyniki: Metodą zweryfikowano punkty skrzyżowania z precyzją na poziomie 96,3% każdy. Zgodność oceny specjalisty z oceną szacunkową była dobra (wartość kappa: 0,85, dokładność: 0,92).
Dyskusja: Innowacyjna sieć zespołów multidiagnostycznych (MDTNet) poprawiła dokładność modelu. Ten proces rywalizuje z oceną specjalistów bez konieczności ekstrakcji określonych cech. Dostępność kodu zapewnia powtarzalność.
Implikacje: Metodę tę można zintegrować z bieżącymi programami przesiewowymi ryzyka CVD, umożliwiając analizę znaków skrzyżowania A-V bez dodatkowego obciążenia pracą człowieka.
Część II: Wyjaśnialna ocena profilu ryzyka chorób sercowo-naczyniowych
Metody: W tej części omówiono profilowanie ryzyka CVD przy użyciu modeli głębokiego uczenia się, korzystając ze zbioru danych z brytyjskiego Biobanku, zawierającego 52 297 obrazów siatkówki i dane dot. tradycyjnego ryzyka CVD.
Modele
- Model „xMACE”: dwuetapowy model głębokiego uczenia się, który najpierw szacuje indywidualne czynniki ryzyka CVD, a następnie ocenia główne niekorzystne zdarzenia sercowo-naczyniowe (MACE).
- Model „xMACE+”: Model ten integruje tradycyjne czynniki ryzyka CVD i obrazy siatkówki.
Wyniki: Zaproponowane modele oferują obiecujące możliwości. Model xMACE wykazał się niezwykłą dokładnością (ROC-AUC 0,738 [95% CI 0,710– 0,766]), przewyższając tradycyjne modele oparte na wynikach, takie jak SCORE (0,682 [0,640–0,719]). Był także porównywalny z modelami sieci neuronowych opartymi na tradycyjnych czynnikach ryzyka CVD.
Omówienie: Model xMACE+, wykorzystujący zarówno czynniki ryzyka CVD, jak i obrazy siatkówki, uzyskał najlepsze wyniki. Niemniej jednak samodzielny model xMACE wykazał się niezwykłą precyzją w szacowaniu ryzyka CVD i 5-letniego MACE, przewyższając tradycyjne modele i dopasowując się do modeli sieci neuronowych opierających się na standardowych czynnikach ryzyka CVD.
Implikacje: W sytuacji gdy badanie krwi w celu oceny ryzyka CVD jest niedostępne, samo obrazowanie siatkówki może dostarczyć kompleksowego profilu ryzyka CVD, wskazując główne ryzyko przyczyniające się do zwiększonego zagrożenia.
Wniosek: Badanie objawów naczyniowych siatkówki lub samych obrazów siatkówki oferuje ekscytującą drogę w ocenie i modyfikacji ryzyka sercowo-naczyniowego. Nieinwazyjna ocena z wykorzystaniem obrazów siatkówki może w wyjątkowy sposób służyć jako biomarker odzwierciedlający profil ryzyka i torujący drogę dla bardziej spersonalizowanych i ukierunkowanych środków zapobiegawczych. Synergistyczne podejście tradycyjnych czynników ryzyka CVD i obrazowania siatkówki, w połączeniu z modelami głębokiego uczenia się, zapewnia solidne narzędzie do zrozumienia ryzyka sercowo-naczyniowego i zarządzania nim. Potencjał objawów siatkówkowych jako okna pozwalającego dostrzec ryzyko chorób sercowo-naczyniowych podkreśla znaczenie integracji nowoczesnej technologii z wiedzą kliniczną w celu stworzenia sprawnego, precyzyjnego i praktycznego rozwiązania w zakresie opieki zdrowotnej.
AKTUALNE INICJATYWY I WYSIŁKI W ZAKRESIE EDUKACJI AI W OKULISTYCE
Prof. Sally Baxter, MD, MSc
University of California San Diego
Szybki rozwój sztucznej inteligencji w medycynie doprowadził do zwiększenia możliwości szkoleń i edukacji. Lekarze zajmujący się okulistyką i badacze nauk wizualnych muszą rozumieć rozwój i wdrażanie modeli sztucznej inteligencji, a także ich zalety i ograniczenia. Względy etyczne mają kluczowe znaczenie z uwagi na niewłaściwe wykorzystanie danych i niezamierzone konsekwencje obserwowane w innych branżach. Rozszerzają się możliwości edukacyjne w zakresie sztucznej inteligencji, szczególnie w okulistyce. Rezydenci okulistyki w USA i Europie tradycyjnie korzystali z kursu podstawowego i nauk klinicznych (BCSC) Amerykańskiej Akademii Okulistyki (AAO). AAO włącza obecnie do programu nauczania BCSC rozdziały dotyczące sztucznej inteligencji, obejmujące zasady sztucznej inteligencji i jej wpływ na okulistykę. Specjalistyczne szkolenia stypendialne i programy studiów w zakresie sztucznej inteligencji, wspierane przez organizacje takie jak Narodowa Biblioteka Medycyny Stanów Zjednoczonych (NLM), oferują dogłębną wiedzę specjalistyczną w zakresie sztucznej inteligencji, w tym wdrożenie kliniczne i wsparcie w podejmowaniu decyzji. Dla uznanych okulistów i naukowców zajmujących się okulistyką dostępne są krótkoterminowe możliwości edukacyjne. Amerykańskie Stowarzyszenie Informatyki Medycznej oferuje kursy „10×10” dotyczące integracji sztucznej inteligencji z procesami klinicznymi. Ponadto konferencje takie jak AAO i ARVO organizują kursy i sympozja na temat sztucznej inteligencji, podczas których omawiane są najnowocześniejsze badania. AAO współpracowało z American College of Radiology w celu opracowania modułów sztucznej inteligencji dla okulistyki na platformie AI-LAB, która umożliwia użytkownikom angażowanie się w przypadki użycia w obrazowaniu medycznym. Podsumowując, istnieje coraz większa liczba możliwości edukacyjnych w zakresie sztucznej inteligencji na różnych etapach kariery.
Fot. 1. Prelegenci sesji I konferencji„Sztuczna inteligencja w okulistyce 2023”
ALGORYTMY SZTUCZNEJ INTELIGENCJI MODELOWANE NA PODSTAWIE ZDJĘĆ DNA OKA DO ZASTOSOWAŃ OKULISTYCZNYCH I NIEOKULISTYCZNYCH
Prof. dr hab. n. med. Andrzej Grzybowski Uniwersytet Warmińsko-Mazurski w Olsztynie; Instytut Badań Okulistycznych w Poznaniu
Wykład przedstawił dogłębną analizę najnowszych osiągnięć w zastosowaniu sztucznej inteligencji (AI) do obrazów dna oka. W ramach przeglądu zwrócono uwagę na wykorzystanie różnorodnych algorytmów sztucznej inteligencji do szeregu zadań, w tym na ich zastosowanie zarówno w schorzeniach okulistycznych, jak i nieokulistycznych. Integracja algorytmów AI do interpretacji obrazów siatkówki oferuje nowatorskie rozwiązanie, wykazujące często większą dokładność w wykrywaniu schorzeń okulistycznych i nieokulistycznych w porównaniu ekspertów klinicznych. W ostatnim czasie gwałtowny wzrost ilości danych medycznych utorował drogę do integracji sztucznej inteligencji i głębokiego uczenia się, umożliwiając natychmiastową analizę. Ta konwergencja może zrewolucjonizować opiekę zdrowotną poprzez zwiększenie precyzji, szybkości i efektywności przepływu pracy, przy jednoczesnym obniżeniu kosztów i zwiększeniu dostępności. Co więcej, obiecuje minimalizację błędów i zmianę krajobrazu kształcenia i szkolenia pracowników służby zdrowia.
AKTUALNE INICJATYWY I WYSIŁKI W ZAKRESIE EDUKACJI AI W OKULISTYCE
Dr hab. Khalid Saeed
Politechnika Białostocka, Universidad dela Costa, Barranquilla
Biometria tęczówki i siatkówki, wpływ chorób oczu na rozpoznawanie człowieka metodami biometrycznymi. Relacja okulista-informatyk i sztuczna inteligencja w różnych aspektach okulistycznych
Tradycyjne sposoby automatycznego uwierzytelniania są albo oparte na posiadaniu przy użyciu czegoś, co posiadamy (karta kredytowa, karta inteligentna, paszport, dowód osobisty itp.), albo na wiedzy i wykorzystują coś, co znamy (hasło, PIN). Istnieje jednak inny sposób uwierzytelniania użytkowników, nietradycyjny, ale cieszący się coraz większą popularnością. Jest to typ oparty na biometrii (identyfikator biometryczny) i wykorzystuje coś w zależności od tego, czym jesteśmy. W rzeczywistości to właśnie wady tradycyjnych metod uwierzytelniania dały początek BIOMETRII.
Kategorie biometryczne:
1. Fizjologiczne (biometria poznawcza) Fizjologiczne cechy biometryczne mierzą odrębne cechy ludzi, zwykle (ale nie zawsze lub niecałkowicie) podyktowane ich genetyką. Opierają się na pomiarach i danych pochodzących z bezpośredniego pomiaru określonej części ciała człowieka. Odciski palców, tęczówka, twarz, zapach, siatkówka, ucho, układ naczyniowy, usta, geometria dłoni i DNA to przykłady kategorii biometrii fizjologicznej.
- 2. Behawioralne (behawiometria)
Cechy biometrii behawioralnej mierzą odrębne działania człowieka i generalnie bardzo trudno je skopiować z jednej osoby na drugą. Pośrednio mierzą cechy ludzkiego ciała. Przykładami takich cech są rozpoznawanie mowy i mówiącego, podpis i pismo odręczne, dynamika naciśnięcia klawiszy, dynamika kliknięcia myszy, chód (sposób chodzenia) i wiele innych. Niektóre cechy behawioralne mogą nawet nie przychodzić na myśl, jak mruganie oczami lub ruchy palców.
3. Biometria tęczówki – rozpoznawanie człowieka na podstawie kodu informacyjnego tęczówki
Tęczówka to jedna z najpopularniejszych i stosowanych w praktyce cech biometrycznych. Najczęściej używanymi algorytmami są algorytmy Daugmana, Wildesa i Ma. W moim zespole biometrii mamy także osiągnięcia w zakresie wykorzystania własnych metodologii przetwarzania obrazu tęczówki. Jako przykład czytelnik może posłużyć się publikacją:
„Segmentacja tęczówki z wykorzystaniem algorytmu wyszukiwania harmonii i szybkiego dopasowywania okręgu z detekcją plamek”. K. Malinowski i K. Saeed, Elsevier 2022.
Na algorytmy rozpoznawania tęczówki wpływają jednak choroby oczu, które zakrywają lub zamykają, powodując utratę części niezbędnych informacji, przez co metody identyfikacji nie działają skutecznie lub co najmniej z dużą dokładnością.
Metodologia: Biometria wykorzystuje charakterystyczne i mierzalne cechy obrazu zebranego z ludzkiej siatkówki lub tęczówki, a następnie przekształca te informacje w kod zrozumiały dla systemu rozpoznawania. We wszystkich moich studiach i kierunkach badawczych głównym celem było znalezienie i uporanie się z prostym, łatwym do wdrożenia sposobem opisu obrazu biometrycznego. Jest to ważny i podstawowy etap przetwarzania obrazu biometrycznego. Na etapie klasyfikacji obrazu do celów biometrycznego rozpoznawania obiektów zastosowano metody sztucznej inteligencji, które są stale udoskonalane i rozwijane.
Jednym z naszych pomysłów opartych na sztucznej inteligencji, które ja i mój zespół wykorzystujemy do uzyskania mierzalnych cech i przygotowania obrazu medycznego do lepszego cyfrowego opisu i klasyfikacji, jest zasada przekształcania szumu w grupę punktów o określonym układzie (Saeed K. Applied Numerical Mathematic 2014) lub wcześniej opisanych w publikacji algorytmów opartych na sieci neuronowej (Saeed et al. IEEE Transactions on Industrial Electronics 2007). Stąd za pomocą metody AI (typu uczenia maszynowego) możemy rozszerzyć algorytmy przetwarzania tęczówki i siatkówki, aby zastosować je do dużych zbiorów danych zebranych z różnych ludzkich oczu w celu zbadania ich w celu rozpoznania człowieka.
Jednakże nadal istnieją problemy z uzyskaniem takich danych, a mianowicie rozpoznawanie człowieka przez siatkówkę jest niepraktyczne z dwóch głównych powodów: dyskomfortu oraz małej ilości danych do porównań i klasyfikacji. Dyskomfort wynika z tego, że czujemy się jak u okulisty, gdzie korzysta się z urządzeń stacjonarnych. Poza tym nie jest łatwo zebrać ogromne dane w takich warunkach. Dlatego rozpoznawanie człowieka przez siatkówkę ogranicza się do kilku szczególnych przypadków (przykładem jest pokój siatkówka na lotniskach). Z drugiej strony, co jest rzeczywiście obiecujące, poziom technologii pozwala na coraz wygodniejsze urządzenia do sprawdzania i gromadzenia danych. Dostępne duże zbiory danych umożliwiłyby zastosowanie zaawansowanych podejść opartych na sztucznej inteligencji i podejmowanie dokładnych i szybkich decyzji. Tak jest obecnie – obraz siatkówki można wykonać przenośną kamerą dna oka. Co więcej, telefonu komórkowego można używać do gromadzenia danych i przesyłania ich do okulisty w celu sprawdzenia stanu siatkówki lub do odpowiednich organów w innych zastosowaniach.
PRZEWIDYWANIE RYZYKA KRÓTKOWZROCZNOŚCI U DZIECI: PODEJŚCIE MONTE CARLO DO OCENY WIARYGODNOŚCI MODELI UCZENIA MASZYNOWEGO
Prof. dr hab. Andrzej Jankowski
Uniwersytet Warmińsko-Mazurski w Olsztynie
W odpowiedzi na globalny wzrost krótkowzroczności u dzieci w niniejszym badaniu przedstawiono nowatorskie podejście do przewidywania ryzyka krótkowzroczności za pomocą godnych zaufania modeli uczenia maszynowego opracowanych przez konsorcjum kalkulatora ryzyka krótkowzroczności (MRC). Wykorzystując dane od 3989 dzieci [1], skupiliśmy się na wiarygodności modeli uczenia maszynowego, w szczególności na ich efektywności i solidności. MRC zastosowało metodologię opracowania i oceny uczenia maszynowego, dostosowując ją do potrzeb projektu z wykorzystaniem metody Monte Carlo i walidacji krzyżowej [2,3]. Połączenie klasyfikatorów i modeli regresji dało obiecujące wyniki w przewidywaniu ryzyka krótkowzroczności. Przyszłe badania będą dotyczyły wykorzystania danych obrazowych i syntetycznych w celu zwiększenia dokładności przewidywań poprzez techniki transferu uczenia się.
Współautorami badania są prof. Andrzej Grzybowski, Fundacja Rozwoju Okulistyki i Uniwersytet Warmińsko-Mazurski), Polska; prof. Mohammad Hassan Emamian, Centrum Badań nad Epidemiologią Okulistyki, Uniwersytet Nauk Medycznych Shahroud, Shahroud, Iran; prof. Olavi Pärssinen, Centrum Badań Gerontologicznych i Wydział Nauk o Sporcie i Zdrowiu, Uniwersytet w Jyväskylä, Finlandia; prof. Carla Lanca Lizbońska Szkoła Technologii Medycznych, Portugalia; dr Shiva Mehravaran Morgan State University, USA; Klaus Nordhausen, Centrum Badań Gerontologicznych i Wydział Nauk o Sporcie i Zdrowiu, Uniwersytet w Jyväskylä, Finlandia; prof. Piotr Artiemjew, UWM i Krzysztof Ropiak, UWM; Radosław Cybulski, UWM; Cezary Morawski, UWM; Andrzej Jankowski, UWM; Mateusz Śliwiński, UWM; Andrzej Strzeszewski, UWM; Adam Jankowiak, UWM; Michał Domian, UWM; Paweł Budziński, UWM; Bartosz Ćwiek, UWM; Jakub Przyborowski z UWM i Jakub Kasjaniuk z UWM.
Piśmiennictwo:
- Emamian MH, et al. Cohort Profile: Shahroud Schoolchildren Eye Cohort Study (SSCECS). Int J Epidemiol. 2019;48(1):27-27f.
- Robert, C. P., & Casella, G. (2013). Monte Carlo Statistical Methods. Springer.
- Kohavi, R. A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection. IJCAI 1995; 14 (2): 1137-1145.
