SYN-OCT: синтетический набор данных изображений оптической когерентной томографии глаза от здоровых и глаукомных глаз

Почему фальшивые сканы глаз важны для реальных пациентов

Глаукома — одна из ведущих причин слепоты, и современные глазные клиники полагаются на детальные сканы задней части глаза для раннего выявления болезни. Но разработка умных компьютерных программ для анализа таких сканов требует огромных объёмов пациентских данных, которыми трудно делиться из‑за правил конфиденциальности. В этой работе представлен SYN-OCT — масштабная коллекция полностью синтетических сканов глаза, которые внешне и по свойствам похожи на реальные, дающая исследователям новый способ создавать и тестировать алгоритмы обнаружения глаукомы без раскрытия личной медицинской информации.

Вид глаза в разрезе

Работа сфокусирована на распространённом обследовании — оптической когерентной томографии (ОКТ), которая фиксирует поперечные «срезы» сетчатки. Авторы сосредоточились на циркумпапиллярных сканах, тонких кольцах вокруг зрительного нерва, где измеряют слой нервных волокон сетчатки (RNFL). Этот слой важен, потому что он истончается по мере повреждения зрительного нерва при глаукоме. В повседневной практике врачи сравнивают паттерны RNFL на таких сканах у здоровых людей и пациентов с глаукомой, чтобы помочь в диагностике и мониторинге прогрессирования болезни.

Создание реалистичных изображений из воздуха

Чтобы построить синтетический набор данных, команда сначала собрала реальные ОКТ‑сканы почти двух тысяч глаз, обследованных в Singapore Eye Research Institute в период с 2012 по 2021 год. Одна группа включала людей с клинически подтверждённой глаукомой; другая — взрослых без тяжёлых заболеваний глаз. Вместо того чтобы распространять эти реальные изображения, исследователи обучили две отдельные системы генерации изображений — одну для здоровых глаз и одну для глаз с глаукомой — с использованием подхода, называемого генеративной состязательной сетью. В этой схеме одна сеть пытается создавать правдоподобные изображения, а другая — отличать подделки от реальных изображений, заставляя обе сети совершенствоваться до тех пор, пока сгенерированные кадры не будут тесно походить на настоящие ОКТ‑сканы.

Проверка, что фейки ведут себя как настоящие

Создать убедительные изображения недостаточно — они также должны нести ту же медицинскую информацию, что и реальные сканы. Авторы сначала использовали стандартную оценку качества изображения, чтобы подтвердить, что синтетические сканы близки по внешнему виду к оригиналам, а затем просили опытных офтальмологов оценить выборку. Специалисты могли отличить реальные от синтетических лишь немного лучше случайного угадывания, что показывает высокую визуальную правдоподобность фейков. Для более глубокого анализа команда прогнала все изображения — реальные и синтетические — через автоматический инструмент, измеряющий толщину RNFL вокруг зрительного нерва. Общие паттерны и средние значения толщины в синтетических сканах совпадали с таковыми в реальных, причём сохранялся ключевой медицинский признак: при глаукоме слой нервных волокон последовательно оказывался тоньше, чем у здоровых глаз.

Испытание синтетических данных в деле

Самым строгим тестом было проверить, могут ли эти искусственные сканы заменить реальные данные пациентов при обучении диагностических инструментов. Исследователи обучили одну модель глубокого обучения различать глаукому и здоровые глаза, используя только реальные изображения, и другую модель — используя только синтетические. Обе затем испытывали на невидимых данных от местных пациентов и пациентов из независимой больницы в Румынии. Модель, обученная исключительно на синтетике, показала результаты не хуже модели, обученной на реальных данных, а в некоторых случаях — даже немного лучше, что указывает на то, что высококачественные синтетические изображения могут помочь в создании надёжных инструментов, хорошо обобщающихся в разных клинических условиях.

Безопасный кратчайший путь к более умной офтальмологии

Для неспециалиста ключевая мысль заключается в том, что SYN-OCT предлагает способ «заимствовать» мощь больших медицинских наборов данных, не заимствуя при этом личные детали реальных людей. Показав, что сгенерированные компьютером сканы глаза могут имитировать как внешний вид, так и медицински важные измерения настоящих изображений — и что на их основе можно успешно обучать системы обнаружения глаукомы — эта работа указывает на будущее, в котором больницы и лаборатории смогут свободно обмениваться богатыми ресурсами изображений. Это может ускорить разработку лучших, более справедливых и более широко протестированных инструментов для раннего выявления глаукомы, одновременно защищая конфиденциальность пациентов.

Цитирование: Wong, D., Sreejith Kumar, A.J., Chong, R.S. et al. SYN-OCT:A synthetic dataset of ocular optical coherence tomography images from healthy and glaucoma eyes. Sci Data 13, 637 (2026). https://doi.org/10.1038/s41597-026-06946-5

Ключевые слова: глаукома, синтетические медицинские данные, оптическая когерентная томография, глубокое обучение в офтальмологии, защита медицинских изображений