Учёные СПбГЭТУ «ЛЭТИ» разработали математическую модель для определения патологии сетчатки при диабете

Учёные СПбГЭТУ «ЛЭТИ» разработали математическую модель, при помощи которой можно по снимкам сетчатки глаза выявить диабетическую ретинопатию на ранней стадии с точностью в 88,7%, сообщает «Научная Россия» со ссылкой на Али Султан Маея, руководителя проекта. Разработанную систему можно применять для ранней диагностики сахарного диабета, при котором и появляется указанная патология.

Диабетическая ретинопатия — повреждение сетчатки глаза, появляющееся у больных диабетом в возрасте от 20 до 65 лет. Патология характеризуется изменением структуры стенки кровеносных сосудов сетчатки глаза, из‑за чего жидкость попадает во внутрисетчаточное пространство. У больных с этой патологией снижается зрение, появляются «звёздочки» в глазах, дискомфорт, боль и пелена перед глазами. Если затянуть с диагностикой и лечением, человек может полностью лишиться зрения.

«Мы разработали математическую модель, с помощью которой можно по изображениям сетчатки глаза выявить диабетическую ретинопатию на ранней стадии болезни с точностью в 88,7%. А поскольку данная патология является следствием нарушения нормального уровня глюкозы в крови, нейросеть можно использовать также и для ранней диагностики сахарного диабета», — пояснил руководитель проекта, аспирант кафедры биотехнических систем СПбГЭТУ «ЛЭТИ» Али Султан Маея, цитата по порталу «Научная Россия».

Модель учитывает такие признаки, как кровоизлияние, скопление липидов, рост кровеносных сосудов и истончение их стенок. Для повышения точности работы системы учёные продолжают собирать данные об анатомии глазного дна, методах оценки патологии и повышения эффективности работы модели для подобных целей. В перспективе исследователи рассчитывают создать очки, сканирующие глаза и находящие подозрительные участки при помощи ИИ-системы. Вероятно, систему удастся адаптировать и для других заболеваний, связанных с диабетом.

Подробности исследования опубликованы в статье Diabetic Retinopathy Detection: Improving Accuracy Using Multiple Transfer Learning Features from Pre-trained Deep Learning Networks на IEEE Xplore.