Cukrzyca w okulistyce kontra AI, czyli zastosowanie sztucznej inteligencji do rozpoznawania retinopatii cukrzycowej
Słowa kluczowe:
Okulistyka, ai, retinopatia cukrzycowa, technologia, informatykaStreszczenie
Rozwój sztucznej inteligencji pozwala na coraz większy jej udział w zakresie nauk, w tym medycyny. Zaawansowane i rozwinięte sztuczne sieci neuronowe, oraz samouczące się algorytmy, dzięki zastosowaniu metod Machine Learning oraz Deep Learning, pozwalają na naukę programów bez użycia człowieka, lub z jego minimalnym udziałem. Okulistyka będącą dziedziną medycyny, w której wykorzystuje się nowoczesne technologie do diagnostyki, jest jedną z głównych kandydatek do implementacji sztucznej inteligencji, pozwalającej potencjalnie na szybsze stawianie diagnoz, oraz szanse dla pacjentów, którzy nie posiadają dostępu do służby zdrowia, ze względów np. geograficznych. Analizowane przez sztuczną inteligencję skany siatkówki, mogą zwiększyć szanse na leczenie pacjentów dotkniętych retinopatią cukrzycową, będącą jednym z powikłań cukrzycy. Dalszy rozwój tej technologii pozwoli na zmniejszenie błędów dokonanych przez maszynę oraz odciążenie pracy lekarza specjalisty, szczególnie w regionach, gdzie występują braki kadr.
Bibliografia
Nilsson N. The Quest for Artificial Intelligence, Cambridge University Press: Cambridge University Press. 2010.
Garnelo M, Shanahan M. Reconciling deep learning with symbolic artificial intelligence: representing objects and relations. Current Opinion in Behavioral Sciences. 2019;29:17-23. doi:10.1016/j.cobeha.2018.12.010.
Manyika, James. Getting AI Right: Introductory Notes on AI & Society, Daedalus; 2022.
Langley P. The changing science of machine learning. Machine Learning. Kluwer Academic Publishers. 2011.
Langlotz CP. Will Artificial Intelligence Replace Radiologists? Radiol Artif Intell. 2019. 15;1(3):e190058. doi: 10.1148/ryai.2019190058. PMID: 33937794; PMCID: PMC8017417.
Hosny A, Parmar C, Quackenbush J et al. Artificial intelligence in radiology. Nat Rev Cancer. 2018;18(8):500-510.
Montagnon E, Cerny M, Cadrin-Chênevert A et al. Deep learning workflow in radiology: a primer. Insights Imaging. 2020;11(1):22.
Laney D. 3D Data Management: Controlling Data Volume, Velocity and Variety, Meta GROUP. 2001.
Rathi S, Tsui E, Mehta N, Zahid S, Schuman JS. The Current State of Teleophthalmology in the United States. Ophthalmology. 2017;124(12):1729-1734. doi:10.1016/j.ophtha.2017.05.026.
Jiang F, Jiang Y, Zhi H, Dong Y, Li H, Ma S, Wang Y, Dong Q, Shen H, Wang Y. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol. 2017;21;2(4):230-243. doi: 10.1136/svn-2017-000101.
Diabetic retinopathy screening: a short guide. Increase effectiveness, maximize benefits and minimize harm. Copenhagen: WHO Regional Office for Europe; 2020.
Fong DS, Aiello L, Gardner TW, King GL, Blankenship G, Cavallerano JD, et al. Retinopathy in diabetes. Diabetes Care. American Diabetes Association. 2004;27 Suppl 1: S84–S87. doi:10.2337/diacare.27.2007.S84. PMID 14693935.
Shaofeng Hao, Changyan Liu, Na Li, Yanrong Wu, Dongdong Li, Qingyue Gao, Ziyou Yuan, Guanyan Li, Huilin Li, Jianzhou Yang, and Shengfu Fan. Clinical evaluation of AI-assisted screening for diabetic retinopathy in rural areas of midwest China. PLoS One 17 (10). 2022: e0275983. DOI:10.1371/journal.pone.0275983. PMID 36227905. PMC: 9560484. Figure 1, panel A, CC BY 4.0, https://commons.wikimedia.org/w/index.php?curid=124683504.
Retinal Consulting Solution. EyePACS, www.eyepacs.com/solution#how-it-works. Uzyskano dostęp 27 Grudnia 2022.
Gulshan V, Peng L, Coram M, et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016;316(22):2402-2410. doi:10.1001/jama.2016.17216.
Singh AK. Ophthalmic problems in remote areas of India. Indian J Ophthalmol. 2018;66(7):975. doi:10.4103/ijo.IJO_658_18.
Konwolucyjne sieci neuronowe (CNN), głębokie uczenie i komputerowe rozpoznawanie obrazu. Intel. https://www.intel.pl/content/www/pl/pl/internet-of-things/computer-vision/convolutional-neural-networks.html. Uzyskano dostęp 27 Grudnia 2022.
Philip S, Fleming AD, Goatman KA, et al. The efficacy of automated “disease/no disease” grading for diabetic retinopathy in a systematic screening programme. Br J Ophthalmol. 2007;91(11):1512-1517.
Abràmoff MD, Folk JC, Han DP, et al. Automated analysis of retinal images for detection of referable diabetic retinopathy. JAMA Ophthalmol. 2013;131(3):351-357
Antal B, Hajdu A. An ensemble-based system for automatic screening of diabetic retinopathy. Knowledge-Based Syst. 2014;60:20-27.
Sánchez CI, Niemeijer M, Dumitrescu AV, et al. Evaluation of a computer-aided diagnosis system for diabetic retinopathy screening on public data. Invest Ophthalmol Vis Sci. 2011;52: 4866-4871.
Solanki K, Ramachandra C, Bhat S, Bhaskaranand M, Nittala MG, Sadda SR. EyeArt: automated, high-throughput, image analysis for diabetic retinopathy screening [abstract]. Invest Ophthalmol Vis Sci. 2015;56(7):2331130. http://iovs.arvojournals.org/article.aspx?articleid=2331130.
Seoud L, Hurtut T, Chelbi J, et al. Red lesion detection usingdynamic shape features for diabetic retinopathy screening. IEEE Trans Med Imaging. 2016;35:1116-1126.
Roychowdhury S, Koozekanani DD, Parhi KK. DREAM: diabetic retinopathy analysis using machine learning. IEEE J Biomed Heal Informatics. 2014;18:1717-1728.
Diagnosing Diabetic Retinopathy with Machine Learning - Google. https://about.google/intl/ALL_us/stories/seeingpotential/. Uzyskano dostęp 27 Grudnia 2022.
Elmore JG, Wells CK, Lee CH, Howard DH, Feinstein AR. Variability in radiologists' interpretations of mammograms. N Engl J Med. 1994;331(22):1493-1499. doi:10.1056/NEJM199412013312206
Opublikowane
9 maja 2023
Prawa autorskie (c) 2023 Paweł Łajczak; Michał Janik, Stanisław Buczkowski, Maria Żak, Kinga Haberka, Łukasz Miler
Licencja
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Użycie niekomercyjne – Bez utworów zależnych 4.0 Międzynarodowe.
