Обнаружение отслоения сетчатки с витреальным кровоизлиянием на основе глубокого обучения в офтальмологических ультразвуковых изображениях

Почему это важно для сохранения зрения

Отслоение сетчатки — неотложное состояние глаза, которое может лишить зрения за считанные часы или дни. Врачи часто опираются на ультразвуковые обследования, когда кровь внутри глаза закрывает обзор сетчатки. Но эти зернистые, наполненные эхо изображения бывает трудно интерпретировать, особенно в загруженных отделениях неотложной помощи или для менее опытных специалистов. В этом исследовании оценивают, сможет ли современный искусственный интеллект быстро и надежно обнаруживать опасные отслоения сетчатки и сопутствующие кровоизлияния на УЗ-изображениях, помогая врачам защитить зрение пациентов.

Прозреть сквозь помутнение внутри глаза

В центре этой работы два угрожающих зрению состояния: отслоение сетчатки, при котором светочувствительная ткань отделяется от задней стенки глаза, и витреальное кровоизлияние, при котором кровь попадает в гель, заполняющий глаз. Когда глаз прозрачен, врачи осматривают сетчатку напрямую. Но при плотном кровоизлиянии они прибегают к ультразвуку, который показывает яркие линии и пятнистые узоры, отражающиеся от структур внутри глаза. К сожалению, эхо от плавающей крови может поразительно походить на тонкие, листовидные линии отслоившейся сетчатки, что приводит к неопределенности именно в тот момент, когда срочное лечение особенно важно.

Обучение компьютера читать глазные сканы

Исследователи обучили систему глубокого обучения, основанную на методе обнаружения объектов в реальном времени, известном как YOLOv5, различать три варианта на УЗ-изображениях: только отслоение сетчатки, только витреальное кровоизлияние или их сочетание. Они собрали 3 773 сканирующих изображения, сделанных за несколько лет у пациентов с подозрением на эти проблемы. Опытные офтальмологи пометили каждое изображение и обвели прямоугольниками участки, где видны признаки болезни, давая компьютеру примеры для обучения. Изображения затем разделили на наборы для обучения, настройки и финального тестирования, чтобы объективно оценить работу системы на картинках, которых она раньше не видела.

Уточнение расплывчатых изображений для машины

Поскольку ультразвуковые изображения по своей природе размыты и зернисты, команда опробовала несколько способов выделения ключевых структур перед подачей их в ИИ. Один из методов, называемый unsharp masking, тонко увеличивает контраст вокруг краев, делая нитевидные отслоения сетчатки ярче и более отчетливыми без явных артефактов. Они также экспериментировали с пороговой обработкой и бинаризацией — преобразованием изображений в блоки черного и белого по уровню яркости — чтобы уменьшить «туман» рассеянных эх от крови, одновременно сохранив непрерывные линии, указывающие на отслоение. В основном процессе разработки эти улучшения сочетали с повторяющимися циклами обучения и кросс-валидацией, стратегией, которая помогает избежать переобучения и повышает надежность на новых данных.

Насколько хорошо сработала система

После нескольких этапов доработки финальная модель показала высокую точность при тестировании на 543 ранее неведомых изображениях. Она правильно определяла отслоение сетчатки в 96,6% случаев, витреальное кровоизлияние в 99,2% и особенно сложное сочетание обоих состояний в 98,0%, что дало общую точность около 98%. Исследователи также сравнили разные версии YOLO и обнаружили, что, несмотря на хорошие результаты новых моделей на общих бенчмарках изображений, YOLOv5 лучше подходит для этой конкретной медицинской задачи и набора данных. Дополнительные эксперименты показали, что хотя некоторые этапы предобработки по отдельности не всегда повышали среднюю точность, они улучшали четкость ключевых структур и оказались особенно полезными для наиболее визуально запутанных сканов.

Что это может значить для пациентов и врачей

Для пациентов, поступающих в отделения неотложной помощи с внезапной потерей зрения, каждая минута на счету. Это исследование показывает, что хорошо обученная система ИИ может служить быстрым «вторым взглядом», отмечая отслоения сетчатки и тяжелые кровоизлияния на УЗ-изображениях с точностью на уровне экспертов. Инструмент не предназначен для замены офтальмологов или полноценного клинического обследования, а скорее для их поддержки — особенно когда изображения трудно интерпретировать или специалисты недоступны немедленно. Прежде чем такие системы станут рутинными, их потребуется протестировать в разных больницах, на разных устройствах и в разнообразных клинических процессах. Тем не менее результаты указывают на будущее, где умное программное обеспечение помогает врачам быстрее и стабильнее спасать зрение при угрозе для сетчатки.

Цитирование: Toyama, N., Hidaka, T., Tamura, H. et al. Deep learning-based detection of retinal detachment with vitreous hemorrhage in ocular ultrasound images. Sci Rep 16, 8398 (2026). https://doi.org/10.1038/s41598-026-38272-6

Ключевые слова: отслоение сетчатки, витреальное кровоизлияние, офтальмологический ультразвук, глубокое обучение, медицинский ИИ в визуализации