Автоматизированная диагностика формы «плюс» и ранних стадий РОД с помощью моделей глубокого обучения

Почему важны крошечные глаза и умные компьютеры

Ежегодно тысячи недоношенных детей рискуют потерять зрение, потому что кровеносные сосуды в задней части глаза развиваются аномально — это состояние называется ретинопатия недоношенных (РОД). Раннее обнаружение этой проблемы может спасти зрение, но требует частых осмотров глаз высококвалифицированными специалистами — кадров, которых во многих регионах мира явно не хватает. В этом исследовании изучается, как современные методы искусственного интеллекта (ИИ) могут помочь врачам выявлять ранние признаки на ретинальных фотографиях, потенциально предоставляя скрининг экспертного уровня больницам и клиникам, лишённым офтальмологических специалистов.

Проблема: хрупкое зрение у самых маленьких пациентов

РОД развивается, когда преждевременные роды прерывают нормальный рост кровеносных сосудов в сетчатке — светочувствительном слое на задней стенке глаза. Наиболее подвержены дети, родившиеся очень рано или с крайне низкой массой тела. В лёгких случаях глаз восстанавливается сам по себе. В тяжёлых случаях аномальные сосуды могут тянуть сетчатку, что приводит к постоянной слепоте. Во всём мире РОД ослепляет примерно 50 000 человек, особенно в регионах, где улучшение неонатальной помощи повысило выживаемость, но программы скрининга и специалисты по зрению не успели за этими успехами. Современный скрининг трудоёмок, дорогостоящ и субъективен: два эксперта иногда расходятся во мнениях о тяжести заболевания у ребёнка.

Что ищут врачи: витиеватые сосуды и ранние стадии

Офтальмологи оценивают РОД по двум основным признакам на изображениях сетчатки. Во-первых, это стадия заболевания — от Стадии 0 (нет видимых изменений) до ранних проблемных стадий (1–3). Во-вторых, это так называемая «форма плюс» (Plus disease) — тревожный признак, при котором сосуды на сетчатке становятся патологически расширенными и извитым. Форма «плюс» указывает на повышенный риск серьёзного поражения и часто служит поводом для лечения, такого как лазерная терапия или введение препаратов. Оценивать эти признаки визуально сложно, особенно если снимки размыты или если младенцам требуется повторный осмотр кажн��ю неделю. Система, автоматически отмечающая форму «плюс» и оценивающая стадию РОД только по изображениям, стала бы мощным вспомогательным инструментом для клиницистов.

Как ИИ видит: построение карт сосудов по фото глаз

Исследователи создали двухэтапный ИИ‑конвейер, используя более 6000 снимков сетчатки от 188 младенцев. Сначала они обучили нейросеть строить точную «карту сосудов» каждой сетчатки, выделяя все видимые кровеносные сосуды, включая тонкие веточки. Среди нескольких конкурировавших моделей обработки изображений лучше всего показала себя версия U‑Net++, которая точнее улавливала детальные шаблоны сосудов, особенно на шумных или с низкой контрастностью снимках. Для улучшения качества команда предварительно усиливала контраст и снижала шум на фотографиях перед сегментацией. Для обнаружения формы «плюс» во второй нейросеть подавали только карты сосудов — а не полноцветные снимки, поскольку форма «плюс» определяется почти исключительно толщиной и искривлением сосудов.

Обучение сети оценивать тяжесть заболевания

Для определения стадии РОД ИИ требовалось больше, чем форма сосудов. Поэтому система объединяла исходные цветные изображения сетчатки с соответствующими картами сосудов, давая модели одновременно общий вид сетчатки и уточнённую информацию о сосудах. Команда протестировала несколько известных архитектур глубокого обучения и обнаружила, что модель EfficientNetB4 обеспечивает наилучшее сочетание точности и эффективности. На отложенной валидации детектор формы «плюс» достиг точности 99,6%, а классификатор стадий — 98% по Стадиям 0–3. Дополнительные проверки, включая кривые precision–recall и ROC‑кривые, показали, что модель сохраняет высокую чувствительность (редко пропускает болезнь) и высокую специфичность (редко даёт ложные срабатывания), несмотря на то, что форма «плюс» встречается гораздо реже, чем нормальные изображения.

Заглядывая в «чёрный ящик»

Поскольку клиницисты должны доверять инструментам, влияющим на решение о лечении, авторы изучали, как ИИ принимает решения. С помощью методов визуализации, таких как t‑SNE, они показали, что изображения разных классов (например, «плюс» против «нормы» или Стадия 1 против Стадии 3) образуют хорошо разделённые кластеры во внутреннем пространстве признаков модели. С помощью тепловых карт Grad‑CAM они выделяли участки каждой сетчатки, которые сильнее всего влияли на предсказание. Для формы «плюс» модель фокусировалась на областях с патологически расширенными или искривлёнными сосудами, что совпадает с тем, на что обращают внимание специалисты. При градации стадии она также учитывала другие области, такие как зрительный диск и макула, что указывает на согласованность её рассуждений с установленными медицинскими критериями, а не на опи���ание на случайные артефакты изображения.

Что это означает для младенцев и клиник

Проще говоря, это исследование показывает, что тщательно спроектированная система ИИ может читать снимки сетчатки недоношенных детей с точностью, близкой к экспертной, и для обнаружения опасных изменений сосудов, и для оценки степени прогрессирования болезни. Исследование проводилось в одном медицинском центре и включало только ранние и умеренные стадии, поэтому требуются крупные многоцентровые испытания и данные о более тяжёлых случаях. Тем не менее результаты указывают на то, что при дальнейшей валидации и аккуратной интеграции в телемедицинские платформы такие инструменты могли бы помочь перегруженным системам здравоохранения обследовать гораздо больше младенцев более последовательно и с меньшими затратами. Это может означать более раннее лечение и большую вероятность сохранения зрения у одних из самых уязвимых пациентов в неонатальной помощи.

Цитирование: Vahidmoghadam, M., Ghorbani, P., Ahmadi, M.J. et al. Automated diagnosis of plus form and early stages of ROP using deep learning models. Sci Rep 16, 7234 (2026). https://doi.org/10.1038/s41598-026-37064-2

Ключевые слова: ретинопатия недоношенных, искусственный интеллект, глубокое обучение, медицинская визуализация, офтальмологические заболевания новорождённых