Американські та індійські вчені розробили і випробували алгоритм машинного навчання для діагностики ураження очей при діабеті за фотознімками очного дна. Під час випробувань точність діагностики перевищила 90 відсотків. Результати роботи опубліковані в.
Діабетична ретинопатія (ураження сітківки ока в результаті цукрового діабету) демонструє найбільш швидкі темпи поширення серед усіх причин сліпоти. Вона страждає до 80 відсотків людей, які живуть з діабетом 20 і більше років. Ризику розвитку цього захворювання піддаються близько 415 мільйонів жителів Землі. Уникнути прогресуючого погіршення зору і сліпоти допомагають тільки своєчасні діагностика та лікування. При цьому фахівці з діагностики діабетичної ретинопатії не завжди доступні, особливо в бідних країнах, у багатьох з яких захворюваність на діабет висока.
Для потенційної компенсації нестачі профільного медперсоналу співробітники Google і ряду інших наукових центрів розробили алгоритм машинного навчання, що являє собою глибоку згорточну нейромережу, оптимізовану для аналізу зображень. Для її навчання використовували майже 130 тисяч фотографій сітківки ока, як здорової, так і при різних захворюваннях. Експертизу цих знімків попередньо провели 54 кваліфікованих офтальмологи, які оцінили наявність, ступінь та ускладнення ретинопатії, а також якість зйомки.
Випробування навченого алгоритму провели на двох вибірках фотографій сітківки: EyePACS-1 (9963 знімки 4997 пацієнтів, 7,8 відсотка з діабетичною ретинопатією) і Messidor-2 (1748 знімків 874 пацієнтів, 14,6 відсотка з діабетичною ретинопатією). Аналіз цих знімків провели сім експертів. Середні чутливість і специфічність алгоритму при аналізі цих вибірок склали відповідно 90,3 і 98,1 відсотка і 87 і 98,5 відсотка. Подібні результати відповідають навичкам кваліфікованого офтальмолога, пишуть дослідники.
За їх словами, робота над вдосконаленням алгоритму триває, для чого були запрошені додаткові фахівці із захворювань сітківки. Крім того, в даний час колеги авторів роботи з компанії DeepMind проводять навчання алгоритму з аналізу післяйових 3D-візуалізацій сітківки, отриманих методом оптичної когерентної томографії. Згодом планується об'єднати ці алгоритми для розширення можливостей діагностики.
Автоматизовані методи скринінгу за допомогою алгоритмів машинного навчання можуть допомогти лікарям обстежити більшу кількість пацієнтів і своєчасно направляти їх до профільних фахівців у разі виявлення ретинопатії, впевнені розробники. Вони також відзначили, що проводять випробування технології в польових умовах в різних регіонах світу і ведуть переговори з регуляторними органами про проведення клінічних випробувань.
Завдяки успіхам машинного навчання його застосування в медицині все більше цікавить розробників по всьому світу. Так, наприклад, його успішно застосували для виявлення депресії у користувачів Instagram і діагностики нейродегенеративних захворювань за малюнком годинника. Компанія IBM займається розробкою програми під кодовою назвою Avicenna, в якій алгоритми вчаться розпізнавати захворювання на рентгенівських знімках і томограмах.