(50-4) 18 * << * >> * Русский * English * Содержание * Все выпуски

Методика адаптации алгоритмов глубокого обучения для скрининга диабетической ретинопатии в условиях реальной клинической практики
Е.В. Козлов1, Д.Д. Лысухин1, А.П. Першина-Милютина1, Е.В. Ковалева1, А.В. Аредов1, В.К. Александрова1, Т.А. Чистяков1, А.А. Толкачева1, Н.Г. Шебардина1, Е.А. Корчуганова1, Н.Г. Мокрышева1

1 ФГБУ «НМИЦ эндокринологии им. академика И.И. Дедова» Минздрава России,
117292, Россия, г. Москва, ул. Дмитрия Ульянова, д. 11

  Полный текст (PDF)

DOI: 10.18287/COJ1839

ID статьи: 1839

Аннотация:
Применение систем искусственного интеллекта для скрининга диабетической ретинопатии в реальной клинической практике ограничено проблемой снижения точности алгоритмов при переносе на новые источники данных. Целью данной работы является разработка и валидация методики адаптации предобученных моделей к условиям гетерогенности медицинских изображений. В исследовании проанализировано влияние различий в характеристиках наборов данных на качество классификации. Показано, что при прямом переносе модели с открытых баз данных на локальный клинический набор (1123 снимка, 302 пациента), отличающийся техническими параметрами снимков и выраженным дисбалансом классов, метрика macro-F1 снижается с 0,86 до 0,38.

Для обеспечения корректного переноса знаний модели и минимизации шума при обучении ключевым этапом работы стало формирование качественного эталонного локального набора данных. Для этого был применен многоступенчатый протокол аннотирования и оценки согласованности врачей-экспертов. На основе подготовленных данных была реализована двухэтапная стратегия трансферного обучения (архитектура EfficientNet-B0). Несмотря на ограниченный объем выборки, данная схема разметки в сочетании с предложенным подходом к дообучению позволила повысить метрику macro-F1 на валидационной выборке до 0,63. Результаты подтверждают, что создание качественно размеченных локальных датасетов является критически важным шагом для успешной адаптации диагностических систем к условиям практического здравоохранения.

Ключевые слова:
диабетическая ретинопатия, глубокое обучение, перенос обучения, ограниченные данные, автоматический скрининг.

Благодарности:

Цитирование:
Козлов, Е.В. Методика адаптации алгоритмов глубокого обучения для скрининга диабетической ретинопатии в условиях реальной клинической практики / Е.В. Козлов, Д.Д. Лысухин, А.П. Першина-Милютина, Е.В. Ковалева, А.В. Аредов, В.К. Александрова, Т.А. Чистяков, А.А. Толкачева, Н.Г. Шебардина, Е.А. Корчуганова, Н.Г. Мокрышева // Компьютерная оптика. - 2026. - Т. 50, № 4. - 1839. - doi: 10.18287/COJ1839.

Citation:
Kozlov EV, Lysukhin DD, Pershina-Milyutina AP, Kovaleva EV, Aredov AV, Aleksandrova VK, Chistyakov TA, Tolkacheva AA, Shebardina NG, Korchuganova EA, Mokrysheva NG. Deep Learning for Diabetic Retinopathy Screening: An Adaptation Methodology for Real-World Clinical Environments. Computer Optics 2026; 50(4): 1839. doi: 10.18287/COJ1839.

References:

  1. Federal State Budgetary Institution "Central Research Institute for Organization and Informatization of Health Care" of the Ministry of Health of the Russian Federation (FSBI "CNIOIZ" of the Ministry of Health of Russia). Medical statistics [in Russian]. 2025. Available at: https://mednet.ru/mediczinskaya-statistika.
  2. Dedov II, Shestakova MV, Vikulova OK, Zheleznyakova AV, Isakov MA, Eremina IA, Galstyan GR. Diabetes mellitus in the Russian Federation: Dynamics of epidemiological indicators according to the Federal Register of Diabetes Mellitus for the period 2010-2022 [in Russian]. Diabetes Mellitus 2023; 26(2): 104-123. DOI: 10.14341/DM13035.
  3. Ribeiro L, Oliveira CM, Neves C, Ramos JD, Ferreira H, Cunha-Vaz J. Screening for diabetic retinopathy in the central region of Portugal: Added value of automated "disease/no disease" grading. Ophthalmologica 2015; 233(2): 96-103. DOI: 10.1159/000368426.
  4. Bhaskaranand M, Ramachandra C, Bhat S, Cuadros J, Nittala MG, Sadda S, Solanki K. The value of automated diabetic retinopathy screening with the EyeArt system: A study of more than 100,000 consecutive encounters from people with diabetes. Diabetes Technology & Therapeutics 2019; 21(11): 635-643. DOI: 10.1089/dia.2019.0164.
  5. Abramoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digital Medicine 2018; 1: 39. DOI: 10.1038/s41746-018-0040-6.
  6. Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, Venugopalan S, Widner K, Madams T, Cuadros J, Kim R, Raman R, Nelson PC, Mega JL, Webster DR. 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.
  7. Walton OB, Garoon RB, Weng CY, Gross J, Young AK, Camero KA, et al. Evaluation of an automated teleretinal screening program for diabetic retinopathy. JAMA Ophthalmology 2016; 134(2): 204-209. DOI: 10.1001/jamaophthalmol.2015.5083.
  8. Ting DSW, Cheung CYL, Lim G, Tan GSW, Quang ND, Gan A, Hamzah H, Garcia-Franco R, Yeo IYS, Lee SY, Wong EYL, Sabanayagam C, Baskaran M, Ibrahim F, Tan NCS, Finkelstein EA, Lamoureux EL, Wong IYH, Bressler NM, Sivaprasad S, Varma R, Jonas JB, He MG, Cheng CY, Cheung GCM, Aung T, Hsu W, Lee ML, Wong TY. Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes. JAMA 2017; 318(22): 2211-2223. DOI: 10.1001/jama.2017.18152.
  9. Zhang Y, Wang L, Wu X, Chen H, Li Y, Wang S. A cross-domain weakly supervised diabetic retinopathy lesion identification method based on multiple instance learning and domain adaptation. Bioengineering 2023; 10(9): 1100. DOI: 10.3390/bioengineering10091100.
  10. Wang Z, Yin Y, Shi J, Fang W, Li H. Multi-model domain adaptation for diabetic retinopathy classification. Frontiers in Physiology 2022; 13: 918929. DOI: 10.3389/fphys.2022.918929.
  11. Benouaich X, Soares M, Azrak C, Hajjar C, Weber M, Kodjikian L. Accuracy of autonomous artificial intelligence-based diabetic retinopathy screening in real-life clinical practice. Journal of Clinical Medicine 2024; 13(16): 4776. DOI: 10.3390/jcm13164776.
  12. Li H, Liu P, Guo J, Wang Y, Liang D, Chen H. Cross-modality transfer learning with knowledge infusion for diabetic retinopathy grading. Frontiers in Medicine (Lausanne) 2024; 11: 1400137. DOI: 10.3389/fmed.2024.1400137.
  13. Zhang K, Liu X, Xu J, Wang H, Li Y, Zhao S. Generalizing to unseen domains in diabetic retinopathy with disentangled representations. arXiv preprint arXiv:2406.06384; 2024. Available at: https://arxiv.org/abs/2406.06384.
  14. Sarki R, Ahmed K, Wang H, Zhang Y, Wang K. A systematic review of transfer learning-based approaches for diabetic retinopathy detection. Artificial Intelligence in Medicine 2022; 134: 102513. DOI: 10.1016/j.artmed.2022.102513.
  15. Oltu B, Karaca BK, Erdem H, Özgür A. A systematic review of transfer learning-based approaches for diabetic retinopathy detection. Gazi University Journal of Science 2023; 36(3): 1140-1157. DOI: 10.35378/gujs.1081546.computeroptics+1
  16. Sharma S, Gupta S, Gupta D, Arora C, Vyas R. Learning self-supervised representations for label efficient cross-domain knowledge transfer on diabetic retinopathy fundus images. arXiv preprint arXiv:2304.11168; 2023. Available at: https://arxiv.org/abs/2304.11168.
  17. Su W, Tang S, Liu X, Zhang Y, Chen H. Domain adaptive diabetic retinopathy grading with model absence and flowing data. arXiv preprint arXiv:2412.01203; 2022. Available at: https://arxiv.org/abs/2412.01203.
  18. Neroev VV, Bragin AA, Zaitseva OV. Development of a prototype service for diagnosing diabetic retinopathy based on fundus images using artificial intelligence methods [in Russian]. National Health Care (Russia) 2021; 2(2): 64-72. DOI: 10.47093/2713-069X.2021.2.2.64-72.
  19. APTOS 2019 blindness detection. Kaggle competition; The Asia Pacific Tele-Ophthalmology Society; 2019. Available at: https://www.kaggle.com/competitions/aptos2019-blindness-detection.
  20. Lipatov DV, Bessmertnaya EG, Kuzmin AG, Tolkacheva AA, Chistyakov TA. Atlas of diabetic retinopathy: A practical guide for physicians [in Russian]. In: Dedov II, Shestakova MV, eds. Moscow: Medical Information Agency; 2017. ISBN: 978-5-9986-0275-8.
  21. Buslaev A, Iglovikov VI, Khvedchenya E, Parinov A, Druzhinin M, Kalinin AA. Albumentations: Fast and flexible image augmentations. Information 2020; 11(2): 125. DOI: 10.3390/info11020125.
  22. Tan M, Le QV. EfficientNet: Rethinking model scaling for convolutional neural networks. In: Proceedings of the 36th International Conference on Machine Learning (ICML). Proceedings of Machine Learning Research 2019; 97: 6105-6114.
  23. Glorot X, Bengio Y. Understanding the difficulty of training deep feedforward neural networks. In: Proceedings of the 13th International Conference on Artificial Intelligence and Statistics (AISTATS). Journal of Machine Learning Research - Workshop and Conference Proceedings 2010; 9: 249-256.

Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20