КОНФЕРЕНЦІЇ ВНТУ електронні наукові видання, 
Міжнародна науково-технічна конференція з оптико-електронних інформаційних технологій "ФОТОНІКА − ODS 2025"

Розмір шрифта: 
Застосування штучного інтелекту для аналізу оптичних зображень судинної системи пацієнтів з діабетом
Олександр Корніленко, Алія Зілгараєва

Остання редакція: 2025-04-21

Анотація


Цукровий діабет часто супроводжується ускладненнями з боку судинної системи, зокрема розвитком діабетичної ретинопатії — основної причини втрати зору у працездатному віці. Для своєчасного виявлення патологічних змін сітківки використовуються оптичні методи візуалізації, зокрема фундус-фотографія, флюоресцеїнова ангіографія та оптична когерентна томографія (ОКТ). Останнім часом все ширше впроваджуються технології штучного інтелекту (ШІ), зокрема алгоритми глибокого навчання на основі згорткових нейронних мереж (CNN), які забезпечують автоматизоване виявлення ознак ретинопатії з високою точністю. Такі інтелектуальні системи підвищують ефективність скринінгу, дозволяють стандартизувати діагностику та зменшити навантаження на лікарів, забезпечуючи при цьому доступність медичної допомоги навіть у віддалених регіонах. Поєднання сучасної візуалізації з алгоритмами ШІ має значний потенціал для покращення контролю за перебігом діабетичної ретинопатії та підвищення якості офтальмологічної допомоги.


Ключові слова


діабетична ретинопатія, фундус-фотографія, оптична когерентна томографія, штучний інтелект, глибоке навчання, згорткові нейронні мережі, медична візуалізація, скринінг, автоматична діагностика, судинні патології сітківки

Посилання


 

  1. Abramoff, M. D., Lavin, P. T., Birch, M., Shah, N., & Folk, J. C. (2018). Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digital Medicine, 1, 39. https://doi.org/10.1038/s41746-018-0040-6
  2. Sim, D. A., Keane, P. A., Tufail, A., Egan, C. A., & Powner, M. B. (2014). Imaging diabetic macular oedema: clinical utility of optical coherence tomography. Eye, 28(9), 1057–1069. https://doi.org/10.1038/eye.2014.147
  3. DeBuc, D. C. (2011). The role of optical coherence tomography in diabetic eye disease. Expert Review of Ophthalmology, 6(5), 557–569. https://doi.org/10.1586/eop.11.54
  4. Gulshan, V., Peng, L., Coram, M., et al. (2016). Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA, 316(22), 2402–2410. https://doi.org/10.1001/jama.2016.17216
  5. De Fauw, J., Ledsam, J. R., Romera-Paredes, B., et al. (2018). Clinically applicable deep learning for diagnosis and referral in retinal disease. Nature Medicine, 24, 1342–1350. https://doi.org/10.1038/s41591-018-0107-6
  6. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. Medical Image Computing and Computer-Assisted Intervention (MICCAI), 9351, 234–241. https://doi.org/10.1007/978-3-319-24574-4_28
  7. Oktay, O., Schlemper, J., Le Folgoc, L., et al. (2018). Attention U-Net: Learning Where to Look for the Pancreas. arXiv preprint. https://arxiv.org/abs/1804.03999
  8. Wójcik W., Smolarz A. Information Technology in Medical Diagnostics. London, Taylor & Francis Group CRC Press Reference. 2017. P. 210.
  9. Pavlov S.V., Kozhemiako V.P., Petruk V.G., Kolesnik P.F., Photoplethysmohrafic technologies of the cardiovascular control, Vinnitsa: Universum-Vinnitsa, 2007, P. 254,
  10. Wójcik, W., Pavlov, S., Kalimoldayev, M. Information Technology in Medical Diagnostics II. London: Taylor & Francis Group, CRC Press, Balkema book, 2019, P. 336.
  11. Pavlov S. V., Kozhukhar A. T. Electro-optical system for the automated selection of dental implants according to their colour matching. Przegląd elektrotechniczny. 2017. R. 93. NR 3. Р. 121-124. ISSN 0033-2097.

Повний текст: PDF