Применение алгоритмов глубокого машинного обучения на основе многослойной нейронной сети YOLOv8 для идентификации грибкового кератита

А.В. Ситнова, Э.Р. Валитов, С.Н. Светозарский

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

2024, том 16, номер 4, стр. 5.

DOI: https://doi.org/10.17691/stm2024.16.4.01

Полный текст статьи

html pdf

292

377

Аннотация
Список литературы
Как цитировать в References

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. Использовано 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 чувствительностимодели составил 56,0%, уровень специфичности достигал 96,1%, доля правильных ответов алгоритма — 76,5%. Точность распознавания изображений практикующими офтальмологами составила 50,0%, специфичность — 41,7%, 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.

Апрелев А.Е., Манкибаева Р.И., Манкибаев Б.С., Апрелева Е.В. Применение систем с искусственным интеллектом в диагностике офтальмологических заболеваний. Вестник Башкирского государственного медицинского университета 2019; 3: 10–14.
Sharma M., Jain N., Ranganathan S., Sharma N., Honavar S.G., Sharma N., Sachdev M.S. Tele-ophthalmology: need of the hour. Indian J Ophthalmol 2020; 68(7): 1328–1338, https://doi.org/10.4103/ijo.IJO_1784_20.
Глизница П.В., Тахчиди Х.П., Светозарский С.Н., Бурсов А.И., Шустерзон К.А. Машинное обучение в диагностике и лечении офтальмологических заболеваний. Голова и шея. Российский журнал 2022; 10(1): 83–90, https://doi.org/10.25792/HN.2022.10.1.83-90.
Litjens G., Kooi T., Bejnordi B.E., Setio A.A.A., Ciompi F., Ghafoorian M., van der Laak J.A.W.M., van Ginneken B., Sánchez C.I. A survey on deep learning in medical image analysis. Med Image Anal 2017; 42: 60–88, https://doi.org/10.1016/j.media.2017.07.005.
LeCun Y., Bengio Y., Hinton G. Deep learning. Nature 2015; 521(7553): 436–444, https://doi.org/10.1038/nature14539.
Гарри Д.Д., Саакян С.В., Хорошилова-Маслова И.П., Цыганков А.Ю., Никитин О.И., Тарасов Г.Ю. Методы машинного обучения в офтальмологии. Обзор литературы. Офтальмология 2020; 17(1): 20–31, https://doi.org/10.18008/1816-5095-2020-1-20-31.
Ursuleanu T.F., Luca A.R., Gheorghe L., Grigorovici R., Iancu S., Hlusneac M., Preda C., Grigorovici A. Deep learning application for analyzing of constituents and their correlations in the interpretations of medical images. Diagnostics (Basel) 2021; 11(8): 1373, https://doi.org/10.3390/diagnostics11081373.
Wang E.Y., Kong X., Wolle M., Gasquet N., Ssekasanvu J., Mariotti S.P., Bourne R., Taylor H., Resnikoff S., West S. Global trends in blindness and vision impairment resulting from corneal opacity 1984–2020: a meta-analysis. Ophthalmology 2023; 130(8): 863–871, https://doi.org/10.1016/j.ophtha.2023.03.012.
Cabrera-Aguas M., Khoo P., Watson S.L. Infectious keratitis: a review. Clin Exp Ophthalmol 2022; 50(5): 543–562, https://doi.org/10.1111/ceo.14113.
Sitnova A.V., Svetozarskiy S.N. Modern technologies in diagnosis of fungal keratitis (review). Sovremennye tehnologii v medicine 2023; 15(2): 73, https://doi.org/10.17691/stm2023.15.2.07.
Brown L., Leck A.K., Gichangi M., Burton M.J., Denning D.W. The global incidence and diagnosis of fungal keratitis. Lancet Infect Dis 2021; 21(3): e49–e57, https://doi.org/10.1016/S1473-3099(20)30448-5.
Hoffman J.J., Burton M.J., Leck A. Mycotic keratitis — a global threat from the filamentous fungi. J Fungi (Basel) 2021; 7(4): 273, https://doi.org/10.3390/jof7040273.
Brown L., Kamwiziku G., Oladele R.O., Burton M.J., Prajna N.V., Leitman T.M., Denning D.W. The case for fungal keratitis to be accepted as a neglected tropical disease. J Fungi (Basel) 2022; 8(10): 1047, https://doi.org/10.3390/jof8101047.
Whitcher J.P., Srinivasan M., Upadhyay M.P. Prevention of corneal ulceration in the developing world. Int Ophthalmol Clin 2002; 42(1): 71–77, https://doi.org/10.1097/00004397-200201000-00010.
Ung L., Bispo P.J.M., Shanbhag S.S., Gilmore M.S., Chodosh J. The persistent dilemma of microbial keratitis: global burden, diagnosis, and antimicrobial resistance. Surv Ophthalmol 2019; 64(3): 255–271, https://doi.org/10.1016/j.survophthal.2018.12.003.
Deorukhkar S., Katiyar R., Saini S. Epidemiological features and laboratory results of bacterial and fungal keratitis: a five-year study at a rural tertiary-care hospital in western Maharashtra, India. Singapore Med J 2012; 53(4): 264–267.
Светозарский С.Н., Андреев А.Н., Щербакова С.В. Грибковый кератит после сквозной кератопластики. Вестник офтальмологии 2019; 135(4): 98–102, https://doi.org/10.17116/oftalma201913504198.
Shao Y., Jie Y., Liu Z.G.; Expert Workgroup of Guidelines for the application of artificial intelligence in the diagnosis of anterior segment diseases (2023); Ophthalmic Imaging and Intelligent Medicine Branch of Chinese Medicine Education Association; Ophthalmology Committee of International Association of Translational Medicine; Chinese Ophthalmic Imaging Study Groups. Guidelines for the application of artificial intelligence in the diagnosis of anterior segment diseases (2023). Int J Ophthalmol 2023; 16(9): 1373–1385, https://doi.org/10.18240/ijo.2023.09.03.
Redmon J., Divvala S., Girshick R., Farhadi A. You only look once: unified, real-time object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 2016; 779–788, https://doi.org/10.1109/CVPR.2016.91.
Bochkovskiy A., Wang C.-Y., Liao Н.-Y.M. YOLOv4: optimal speed and accuracy of object detection. ArXiv 2020, https://doi.org/10.48550/arXiv.2004.10934.
Брехт Э.А., Коншина В.Н. Применение нейронной сети YOLO для распознавания дефектов. Интеллектуальные технологии на транспорте 2022; 2(30): 41–47.
Xu Y., Kong M., Xie W., Duan R., Fang Z., Lin Y., Zhu Q., Tang S., Wu F., Yao Y.-F. Deep sequential feature learning in clinical image classification of infectious keratitis. Engineering 2021; 7(7): 1002–1010, https://doi.org/10.1016/j.eng.2020.04.012.
Dalmon C., Porco T.C., Lietman T.M., Prajna N.V., Prajna L., Das M.R., Kumar J.A., Mascarenhas J., Margolis T.P., Whitcher J.P., Jeng B.H., Keenan J.D., Chan M.F., McLeod S.D., Acharya N.R. The clinical differentiation of bacterial and fungal keratitis: a photographic survey. Invest Ophthalmol Vis Sci 2012; 53(4): 1787–1791, https://doi.org/10.1167/iovs.11-8478.
Kuo M.T., Hsu B.W., Yin Y.K., Fang P.C., Lai H.Y., Chen A., Yu M.S., Tseng V.S. A deep learning approach in diagnosing fungal keratitis based on corneal photographs. Sci Rep 2020; 10(1): 14424, https://doi.org/10.1038/s41598-020-71425-9.
Hu S., Sun Y., Li J., Xu P., Xu M., Zhou Y., Wang Y., Wang S., Ye J. Automatic diagnosis of infectious keratitis based on slit lamp images analysis. J Pers Med 2023; 13(3): 519, https://doi.org/10.3390/jpm13030519.
Soleimani M., Esmaili K., Rahdar A., Aminizadeh M., Cheraqpour K., Tabatabaei S.A., Mirshahi R., Bibak Z., Mohammadi S.F., Koganti R., Yousefi S., Djalilian A.R. From the diagnosis of infectious keratitis to discriminating fungal subtypes; a deep learning-based study. Sci Rep 2023; 13(1): 22200, https://doi.org/10.1038/s41598-023-49635-8.
Koyama A., Miyazaki D., Nakagawa Y., Ayatsuka Y., Miyake H., Ehara F., Sasaki S.I., Shimizu Y., Inoue Y. Determination of probability of causative pathogen in infectious keratitis using deep learning algorithm of slit-lamp images. Sci Rep 2021; 11(1): 22642, https://doi.org/10.1038/s41598-021-02138-w.
Tiwari M., Piech C., Baitemirova M., Prajna N.V., Srinivasan M., Lalitha P., Villegas N., Balachandar N., Chua J.T., Redd T., Lietman T.M., Thrun S., Lin C.C. Differentiation of active corneal infections from healed scars using deep learning. Ophthalmology 2022; 129(2): 139–146, https://doi.org/10.1016/j.ophtha.2021.07.033.
Ghosh A.K., Thammasudjarit R., Jongkhajornpong P., Attia J., Thakkinstian A. Deep learning for discrimination between fungal keratitis and bacterial keratitis: deepkeratitis. Cornea 2022; 41(5): 616–622, https://doi.org/10.1097/ICO.0000000000002830.
Hanif A., Prajna N.V., Lalitha P., NaPier E., Parker M., Steinkamp P., Keenan J.D., Campbell J.P., Song X., Redd T.K. Assessing the impact of image quality on deep learning classification of infectious keratitis. Ophthalmol Sci 2023; 3(4): 100331, https://doi.org/10.1016/j.xops.2023.100331.
Takhchidi K.P., Gliznitsa P.V., Svetozarskiy S.N., Bursov A.I., Shusterzon K.A. Labelling of data on fundus color pictures used to train a deep learning model enhances its macular pathology recognition capabilities. Bulletin of Russian State Medical University 2021; (4): 28–33, https://doi.org/10.24075/brsmu.2021.040.
Li D.J., Huang B.L., Peng Y. Comparisons of artificial intelligence algorithms in automatic segmentation for fungal keratitis diagnosis by anterior segment images. Front Neurosci 2023; 17: 1195188, https://doi.org/10.3389/fnins.2023.1195188.
Redd T.K., Santina L.D., Prajna N.V., Lalitha P., Acharya N., Lietman T. Automated differentiation of bacterial from fungal keratitis using deep learning. Invest Ophthalmol Vis Sci 2021; 62(8): 2161.
Hung N., Shih A.K.-Y., Lin C., Kuo M.-T., Hwang Y.-S., Wu W.-C., Kuo C.-F., Kang E.Y.-C., Hsiao C.-H. Using slit-lamp images for deep learning-based identification of bacterial and fungal keratitis: model development and validation with different convolutional neural networks. Diagnostics 2021; 11(7): 1246, https://doi.org/10.3390/diagnostics11071246.
Kuo M.T., Hsu B.W., Lin Y.S., Fang P.C., Yu H.J., Chen A., Yu M.S., Tseng V.S. Comparisons of deep learning algorithms for diagnosing bacterial keratitis via external eye photographs. Sci Rep 2021; 11(1): 24227, https://doi.org/10.1038/s41598-021-03572-6.
Gu H., Guo Y., Gu L., Wei A., Xie S., Ye Z., Xu J., Zhou X., Lu Y., Liu X., Hong J. Deep learning for identifying corneal diseases from ocular surface slit-lamp photographs. Sci Rep 2020; 10(1): 17851, https://doi.org/10.1038/s41598-020-75027-3.
Essalat M., Abolhosseini M., Le T.H., Moshtaghion S.M., Kanavi M.R. Interpretable deep learning for diagnosis of fungal and acanthamoeba keratitis using in vivo confocal microscopy images. Sci Rep 2023; 13(1): 8953, https://doi.org/10.1038/s41598-023-35085-9.
Крутиков В.К., Косогорова Л.А., Якунина М.В., Якунина В.А., Шаров С.В. Стандарты применения искусственного интеллекта в отечественной медицине. Экономика и предпринимательство 2022; 3(140): 1184–1186.

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/stm2024.16.4.01