Автоматическая диагностика возрастной макулярной дегенерации с помощью методов машинного обучения и обработки изображений

Почему это важно для вашего зрения

По мере того как люди живут дольше, все больше из нас сталкивается с возрастной макулярной дегенерацией (ВМД) — заболеванием, которое постепенно разрушает центральное зрение и может сделать чтение, вождение или узнавание лиц затруднительными или невозможными. Офтальмологи могут заметить ранние признаки на фотографиях задней части глаза, но проверка тысяч снимков вручную отнимает много времени и требует узких специалистов. В этом исследовании рассматривается, как прозрачный инструмент на базе машинного обучения может помочь выявлять ВМД на ранних стадиях по рутинным снимкам глаз, не полагаясь на хрупкие, трудноинтерпретируемые глубокие нейросети «черного ящика».

Поиск проблем в зоне острого зрения

ВМД поражает макулу — небольшое темное пятно ближе к центру сетчатки, обеспечивающее четкое, детализированное зрение. Многие автоматические системы пытаются обнаруживать мелкие жировые отложения, называемые друзенами, на снимках всего глаза, но друзены легко спутать с другими яркими участками, такими как небольшие кровоизлияния, и они сильно варьируют по форме и размеру. Это делает их надежное обнаружение сложной задачей для компьютера, и даже экспертам приходится тратить время на тщательную проверку результатов. Авторы идут другим путем: вместо того чтобы искать друзены по всей сетчатке, они сосредотачиваются на самой макулярной области и измеряют изменения ее текстуры и цвета при наличии ВМД.

От исходной фотографии к «отпечатку» макулы

Система начинается с цветного снимка задней части глаза, называемого фундус‑изображением. Сначала она повышает контраст с помощью стандартных шагов обработки изображений, чтобы темные и светлые зоны было легче различать. Затем автоматически обнаруживается диск зрительного нерва — яркая круглая область, где нервы покидают глаз — и, используя известное геометрическое соотношение с макулой, выполняется поиск вдоль узкой полосы изображения самого темного участка, соответствующего ожидаемому размеру и положению макулы. Вокруг этой точки система вырезает небольшой прямоугольник: это область интереса, содержащая ткани, наиболее вероятно демонстрирующие ранние изменения, связанные с ВМД.

Преобразование узоров и цветов в числа

В пределах этого макулярного участка исследователи вычисляют большой набор числовых описателей, или «ручных признаков». Текстурные признаки фиксируют, как распределены значения пикселей — выглядит ли поверхность гладкой, пестрой или нерегулярной — а цветовые признаки отражают сдвиги яркости и оттенка, которые могут указывать на изменения пигментации и состояния тканей. В сумме для каждого изображения глаза измеряются 140 текстурных и 48 цветовых значений. Поскольку не все эти числа одинаково информативны, команда применяет статистические тесты и метод ранжирования признаков, чтобы выбрать более компактный набор, который лучше разделяет здоровые и пораженные ВМД изображения, отбрасывая избыточные или шумные измерения.

Обучение машин говорить «ВМД» или «норма»

Имея выбранные признаки, авторы обучают несколько известных классификаторов машинного обучения — метод опорных векторов (SVM), k‑ближайших соседей, наивный байесовский классификатор и простую нейронную сеть — различать нормальные и пораженные ВМД глаза. Они используют две общедоступные коллекции изображений сетчатки: набор STARE, который включает 35 нормальных и 74 изображения с ВМД, и более крупный набор ODIR с сотнями помеченных случаев. Для проверки надежности они многократно разделяют каждый набор данных на обучающую и тестовую части, поочередно пропуская через них изображения так, чтобы каждый глаз хотя бы раз оказался в тестовой выборке, а затем измеряют точность, уровень ошибок и частоту правильного обнаружения ВМД.

Четкие результаты и более понятная интерпретация

Во всех тестах выделяется классификатор SVM, использующий текстурные признаки из макулярной области. В наборе STARE он корректно отличает ВМД от нормального состояния почти в 99% случаев; в ODIR точность составляет примерно 95%. Информация о текстуре оказывается более информативной, чем только цвет, а сочетание обоих типов признаков не превосходит по эффективности использование только текстуры. Хотя некоторые системы на основе глубокого обучения в литературе достигают сопоставимых или немного более высоких показателей, они требуют больших объемов размеченных данных и дают мало понимания того, на какие признаки изображения они опираются. В отличие от них, ручные текстурные и цветовые признаки в этом исследовании соответствуют узнаваемым структурам сетчатки, что делает систему более интерпретируемой для клиницистов.

Что это значит для пациентов

Проще говоря, исследование показывает, что относительно простая и прозрачная компьютерная программа может просматривать стандартный снимок глаза, фокусироваться на макуле и — с высокой надежностью — указывать на вероятность наличия ВМД, не пытаясь сначала отыскать каждое крошечное отложение. Такой инструмент может помочь офтальмологическим клиникам и программам скрининга быстро сортировать большое количество изображений, обеспечивая более раннее направление пациентов с начальными признаками заболевания к специалистам, а также давая врачам более ясное представление о визуальных паттернах, на которых опирается машина при принятии решения.

Цитирование: Agarwal, D., Bhargava, A., Alsharif, M.H. et al. Automatic diagnosis of age-related macular degeneration using machine learning and image processing techniques. Sci Rep 16, 5037 (2026). https://doi.org/10.1038/s41598-026-35428-2

Ключевые слова: возрастная макулярная дегенерация, изображения сетчатки, машинное обучение, раннее выявление заболеваний, анализ медицинских изображений