Система поддержки принятия решений на основе искусственного интеллекта, обученная на мультимодальных офтальмологических данных, будет помогать в диагностике, планировании лечения, а также в мониторинге и управлении заболеванием. ИИ 
Фото предоставлено Гонконгским политехническим университетом.
Исследователи из Гонконга разрабатывают клиническую систему искусственного интеллекта для офтальмологии, которая не только помогает врачам в диагностике заболеваний, но и поддерживает планирование лечения и последующее наблюдение.
Команда из Гонконгского политехнического университета (PolyU) разработала прототип системы с поддержкой искусственного интеллекта — EyeAgent 1.0 — основанной на мультимодальных данных, включая клинические тексты и изображения, которая, как сообщается, может идентифицировать около 260 офтальмологических заболеваний.
После пилотных испытаний в городе и материковом Китае система искусственного интеллекта в настоящее время находится на стадии дальнейшего развития в рамках проекта EyeAgent 2.0, с расширенными возможностями клинического анализа и моделирования траектории развития заболеваний.
О ЧЕМ ЭТО?
В интервью Mobihealth News руководитель исследования доктор Хэ Мингуан сообщил, что вторая версия разрабатывается на основе масштабного, основанного на реальных данных офтальмологических исследований, охватывающих Гонконг, материковый Китай и Индию.
«Благодаря сотрудничеству с сетью из более чем 30 офтальмологических центров и больниц мы объединяем и стандартизируем более миллиона электронных медицинских карт и наборов данных изображений», — сказал профессор Генри Г. Леонг по вопросам здоровья зрения пожилых людей в Школе оптометрии Политехнического университета ЮАР. Данные будут включать фотографии глазного дна, ОКТ/ОКТА, изображения, полученные с помощью щелевой лампы, данные поля зрения, клинический текст и структурированные записи обследований.
EyeAgent 1.0 был обучен на более чем 2,7 миллионах офтальмологических изображений и 14 специализированных учебниках, обрабатывая 23 типа данных для выявления сотен заболеваний глаз. Он включал в себя более 50 инструментов искусственного интеллекта для офтальмологии, разработанных той же командой.
Для решения проблем неоднородности данных, несогласованности аннотаций и межцентровой изменчивости команда внедряет структурированную очистку данных, временное выравнивание, унифицированное представление пациентов и межцентровую гармонизацию, как сообщила доктор Цзин Чжан, научный сотрудник-профессор Школы оптометрии Политехнического университета ЮАР.
Что касается моделирования, команда разрабатывает контрастную структуру самообучения на основе трансформерных архитектур для согласования изображений, текста и структурированных клинических данных в общем пространстве представлений. Это включает в себя оптимизированные графические трансформеры и языковые кодировщики как для кросс-модального обучения представлениям, так и для моделирования временного прогрессирования заболевания, — сказал доктор Чжан.
Команда проведет предварительное обучение базовой модели самообучения с целевым показателем AUC ≥ 0,90 на эталонных диагностических задачах.
Между тем, второй уровень — многоагентная система клинического мышления для диагностики, планирования лечения и последующего наблюдения — будет проверен с помощью платформы клинического моделирования с целевым показателем точности мышления ≥85%, добавил доктор Чжан.
ПОЧЕМУ ЭТО ВАЖНО
В условиях стареющего населения и нехватки специалистов повышение согласованности и эффективности офтальмологической диагностики остается глобальной проблемой, которую команда PolyU стремится решить с помощью EyeAgent 1.0.
Профессор Хэ сообщил, что, основываясь на предварительной проверке с помощью оценок, проведенных людьми, прототип сократил время отклика на 56,8%, повысил точность диагностики на 24,5% и достиг 89,9% удовлетворенности пользователей.
Однако, по словам руководителя исследования, у него был важный технический недостаток. «Он был построен в основном на данных поперечного сечения, то есть хорошо подходил для подтверждения диагноза при однократном посещении, но не был предназначен для моделирования прогрессирования заболевания, ответа на лечение или долгосрочного риска».
По словам эксперта, команда ожидает, что модернизированная система искусственного интеллекта для офтальмологии, использующая более миллиона историй болезни пациентов, позволит «поддерживать весь процесс клинического анализа, от диагностики и прогноза до планирования лечения, последующего наблюдения и динамической корректировки во времени».
Их цель — разработать EyeAgent 2.0 как программное обеспечение для медицинского устройства, соответствующее нормативным стандартам, с планами постепенного продвижения процесса регистрации и внедрения после завершения клинической валидации. Команда рассчитывает завершить проект в течение двух лет при поддержке государственного финансирования.
«На первом этапе EyeAgent 2.0 будет развернут в трех или более клинических центрах через нашу партнерскую сеть больниц в Гонконге, где мы оценим соответствие диагнозов, сокращение времени принятия решений и удовлетворенность врачей», — сообщил профессор Хэ этому изданию. Затем последует межрегиональная валидация.
«Параллельно мы завершим анализ рисков, валидацию и подготовку технической документации, необходимой для готовности к внедрению SaMD».
Также предполагается гибридная бизнес-модель, сочетающая годовую подписку с оплатой по факту использования, с гибким развертыванием, адаптированным к различным информационным системам больниц.
ОБЩАЯ ТЕНДЕНЦИЯ
Аналогичная базовая модель искусственного интеллекта была разработана в Китайском университете Гонконга для автоматизации диагностики заболеваний глаз. Модель VisionFM была предварительно обучена на большом офтальмологическом наборе данных, содержащем 3,4 миллиона изображений по восьми методам визуализации глаз. Она продемонстрировала диагностическую эффективность, сопоставимую с эффективностью офтальмолога с четырех-восьмилетним клиническим опытом.
В Азиатско-Тихоокеанском регионе также были разработаны модели искусственного интеллекта для анализа изображений глаз при различных заболеваниях, включая синдром дефицита внимания и гиперактивности, рак кожи, связанный с повреждением ультрафиолетовым излучением, болезнь Альцгеймера и заболевания почек. Другое исследование в Австралии провело скрининг 50 000 изображений сетчатки с использованием ИИ для выявления связей между сетчаткой и такими заболеваниями, как нейродегенеративные и кардиометаболические расстройства.
Гонконгский политехнический университет, Гонконг, EyeAgent, офтальмологический ИИ, глазной ИИ, глазные болезни, ИИ-вторитель, базовый ИИ
Источник: www.mobihealthnews.com
