Использование оптической когерентной томографии и машинного обучения для выявления нарушений зрения у детей с нейрофиброматозом типа 1

Почему это важно для детского зрения

Для детей с редким генетическим заболеванием — нейрофиброматозом типа 1 (НФ‑1) — потеря зрения может стать судьбоносным осложнением. Врачи уже используют неинвазивное обследование глаза — оптическую когерентную томографию (ОКТ) — чтобы изучать мельчайшие структуры в задней части глаза, но превратить эти изображения в надёжные сигналы тревоги о том, какие дети находятся в группе риска, было сложно. В этом исследовании проверяли, может ли компьютерное распознавание образов, известное как машинное обучение, преобразовать рутинные ОКТ‑измерения в систему раннего предупреждения о проблемах со зрением у таких маленьких пациентов.

Генетическое заболевание с незаметными рисками для глаз

НФ‑1 встречается примерно у одного из 2 500–3 000 новорождённых и может вызывать широкий спектр изменений кожи, нервов и глаз. Одна из самых серьёзных угроз — развитие опухолей вдоль зрительного пути, так называемых глиом зрительного пути. Около каждого пятого ребёнка с НФ‑1 разовьётся такая опухоль, часто примерно в пятилетнем возрасте, и некоторые потеряют остроту или поля зрения. Поскольку маленькие дети могут не замечать или не сообщать о падении зрения, врачам приходится полагаться на регулярные обследования и КТ/МРТ головного мозга для раннего выявления проблем — процедуры, которые могут быть стрессовыми, отнимать много времени и иногда не давать однозначного ответа.

Ближе к «проводке» глаза

ОКТ работает несколько похожим на ультразвук образом, но использует свет вместо звука и даёт детальные поперечные изображения сетчатки и зрительного нерва. Команда исследователей сосредоточилась на толщине отдельных слоёв, особенно слоя нервных волокон сетчатки (RNFL) и слоёв ганглиозных клеток, которые передают визуальные сигналы от глаза к мозгу. Они собрали 515 ОКТ‑исследований у 168 детей и подростков в возрасте от 3 до 19 лет, у некоторых зрение было нормальным, у других при одном или нескольких визитах наблюдалось снижение. Вместо анализа каждого пикселя каждого скана учёные использовали простые числовые сводки — общие толщины ключевых слоёв в центральной области (макуле) и вокруг зрительного нерва — что облегчает интерпретацию результатов в терминах реальной анатомии и того, что клиницисты уже видят на практике.

Обучение компьютеров находить ранние признаки

Затем исследователи опробовали девять различных подходов машинного обучения, чтобы выяснить, какой из них лучше всего различает нормальное и нарушенное зрение, используя только эти измерения толщины. Они уделили особое внимание тому, чтобы избежать чрезмерно оптимистичных результатов, гарантируя, что данные одного и того же ребёнка никогда не попадали одновременно в обучающую и тестовую выборки. Лучшей моделью для скрининга оказалась Balanced Random Forest — ансамбль решающих деревьев, настроенный с учётом несбалансированных классов. Только по макулярным измерениям модель правильно разделяла нормальное и патологическое зрение с площадью под кривой 0,82 и выявляла примерно две трети детей с проблемами зрения — показатель чувствительности, ценимый, когда приоритетом является не пропустить пациентов с риском.

От чисел к практическим порогам

Чтобы сделать систему понятной клиницистам, команда применила объясняющий метод, показывающий, насколько каждое признак смещает прогноз модели в сторону нормального или ненормального зрения. Это выявило, что истончение слоя нервных волокон сетчатки и объединённых слоёв ганглиозных клеток как в макуле, так и в области нерва, было тесно связано с потерей зрения. Исследователи пошли дальше и на основе этих объяснений вывели предварительные пороговые значения — например, макулярный слой нервных волокон толщиной менее примерно 34 микрометров ассоциировался с куда большей долей детей с нарушением зрения. Они также проверили, как растёт риск по мере пересечения нескольких порогов: дети, у которых три или более слоя были за пределами норм, значительно чаще имели проблемы со зрением, что указывает на то, что сочетание нескольких тонких изменений может повысить точность оценки риска.

Что это значит для семей и врачей

Исследование показывает, что простые измерения, уже доступные при стандартном ОКТ, можно превратить в прозрачный, основанный на данных инструмент для выявления детей с НФ‑1, у которых может развиваться угрожающее зрению повреждение. Такие модели не заменяют врачей, но могут помочь выделить, каких детей нужно наблюдать чаще, лечить раньше или направлять на дополнительные обследования. Предложенные пороги толщины и правило «числа аномальных слоёв» ещё не готовы служить основой для лечения; их необходимо проверить в больших многоцентровых исследованиях. Тем не менее результаты указывают, что сочетание точной визуализации глаза и объяснимого искусственного интеллекта может помочь защитить зрение у уязвимой группы детей, выявляя проблему до того, как она станет необратимой.

Цитирование: Cañada, C.F., Parcerisas, J.G., Bartomeu, J.P. et al. Utilizing optical coherence tomography and machine learning to identify vision abnormalities in pediatric neurofibromatosis type 1 patients. Sci Rep 16, 7237 (2026). https://doi.org/10.1038/s41598-026-37900-5

Ключевые слова: нейрофиброматоз типа 1, детское зрение, оптическая когерентная томография, машинное обучение, слой нервных волокон сетчатки