Обобщаемый метод выявления заболеваний глаз на основе Zero-Shot Learning

Почему важны ранние предупреждения для глаз

Многие серьёзные заболевания глаза начинаются с настолько тонких изменений, что даже специалисты могут их не замечать. Лёгкая диабетическая ретинопатия — раннее осложнение диабета — как раз такой тихий предупредительный сигнал: его раннее обнаружение может предотвратить потерю зрения, но для этого требуется тщательный осмотр фотографий сетчатки и огромное количество экспертно размеченных изображений для обучения современных систем искусственного интеллекта (ИИ). В этом исследовании представлен новый тип ИИ, который может научиться выявлять ранние признаки заболевания даже если врачи никогда не маркировали примеры именно этого состояния, что потенциально открывает путь к более быстрому и доступному скринингу глаз во всём мире.

Новый способ обучать машины без готовых ответов

Авторы опираются на концепцию zero-shot обучения, при которой система ИИ учится распознавать новое, не видя ранее размеченных примеров этого класса. Вместо запоминания меток заболеваний система имитирует рассуждение клиницистов: она ищет родственные болезни с похожими визуальными паттернами и переносит знания, извлечённые из них. В данной работе команда сосредоточилась на лёгкой диабетической ретинопатии (DR1), но обучала метод без единого размеченного изображения DR1. Вместо этого они собрали массивный ресурс изображений сетчатки — датасет LCFP-14M, объединив более миллиона снимков и одиннадцать категорий глазных заболеваний, взятых из множества публичных баз данных. Такое разнообразие изображений даёт визуальный «опыт», на основе которого ИИ может выводить паттерны заболеваний.

Поиск сходного по виду заболевания

Чтобы понять, откуда позаимствовать знания, система сначала измеряет, насколько похожи заболевания друг на друга визуально. Команда использовала сиамскую нейронную сеть — пару идентичных моделей, которые сравнивают по две фотографии сетчатки и учатся определять, вероятно ли они соответствуют одному и тому же заболеванию. Сравнивая тысячи пар изображений, модель построила карту сходства одиннадцати заболеваний с лёгкой диабетической ретинопатией. Она обнаружила, что дегенеративная миопия — состояние, при котором задняя часть глаза растягивается и истончается — даёт изображения сетчатки, наиболее сильно коррелирующие с ранними диабетическими изменениями. Говоря простыми словами, дегенеративная миопия стала «ближайшим родственником», который мог научить систему тому, на что обращать внимание.

Обучение системы распознавать крошечные поражения

Когда подходящее «учительское» заболевание было найдено, следующая задача заключалась в том, чтобы показать ИИ, какие именно участки сетчатки важны при ранних диабетических повреждениях. С помощью второй модели, называемой U‑Net, исследователи обучили систему сегментации на признанных наборах данных, где эксперты отмечали три ключевых признака: микроаневризмы — крошечные выпячивания сосудов, небольшие кровоизлияния и бледные «ватные» пятна (cotton wool spots). Хотя не все эти признаки уникальны для лёгкой стадии, вместе они очерчивают раннюю тропу повреждений в сосудистой сети сетчатки. U‑Net научился выделять именно эти поражения на изображениях, превращая сырые фотографии в точечные карты, где значимые сигналы заметно выделяются, а менее важные детали отходят на задний план.

Кластеризация незнакомого заболевания на «здоровые» и «нездоровые»

Оперевшись на этот вид, сфокусированный на поражениях, система затем обработала снимки пациентов с дегенеративной миопией, но с усилением диабетоподобных признаков и подавлением артефактов, характерных для конкретного заболевания. Третья модель, основанная на ResNet и дополненная агломеративным алгоритмом кластеризации, преобразовала эти сегментированные изображения в компактные числовые описания и сгруппировала их в два естественных кластера. Ключевой момент: алгоритм сделал это без каких‑либо меток о том, какие глаза здоровы, а какие больны — он просто организовал снимки по общим визуальным шаблонам. Когда команда позднее сравнила эти кластеры с истинными клиническими метками на независимом тестовом наборе, один кластер соответствовал DR1, а другой — здоровым глазам, показав, что ИИ фактически «открыл» лёгкую диабетическую ретинопатию самостоятельно.

Насколько хорош новый подход

Чтобы оценить практическую полезность этой zero‑shot системы, исследователи сравнили её с более традиционными глубокими моделями «few‑shot», которым позволяли видеть небольшое число размеченных примеров. Они протестировали популярные архитектуры, такие как ResNet, VGG, MobileNet и AlexNet, все обученные на ограниченном объёме размеченных данных и затем оценённые на внешнем наборе EyePACS. Zero‑shot модель, несмотря на то что ей никогда не показывали размеченные изображения DR1 при обучении, достигла точности порядка 83% и высокого значения площади под кривой (AUC), превзойдя большинство этих супервизируемых конкурентов — особенно по точности (precision), то есть глаза, помеченные ею как больные, чаще действительно находились в группе риска. Абляционные эксперименты, в которых поочерёдно убирали компоненты системы, подтвердили, что и этап оценки сходства заболеваний, и этап сегментации поражений были необходимы для такого высокого результата.

Что это значит для будущей офтальмологии

Проще говоря, работа показывает, что ИИ может научиться замечать ранние диабетические поражения глаза, «рассуждая по аналогии» с родственными заболеваниями и опираясь на экспертно определённые визуальные подсказки, вместо того чтобы полагаться на тысячи вручную размеченных примеров именно этого состояния. Это может стать переломным моментом для программ скрининга в регионах, где экспертная разметка дорога или редка, а также для вновь выявленных заболеваний глаз, которым не хватает больших курируемых наборов данных. Хотя метод всё ещё сталкивается с задачами — например, расширением за пределы фотографий глазного дна на другие методы визуализации и повышением прозрачности решений для врачей и пациентов — он указывает на будущее, в котором машины помогают клиницистам обнаруживать тонкие заболевания глаз раньше, используя значительно меньше размеченных данных, чем требуется современным системам.

Цитирование: Pan, C., Wang, Y., Jiang, Y. et al. A generalizable eye disease detection method based on Zero-Shot Learning. Commun Med 6, 249 (2026). https://doi.org/10.1038/s43856-026-01439-3

Ключевые слова: диабетическая ретинопатия, изображения сетчатки, zero-shot обучение, медицинский ИИ, скрининг заболеваний глаз