Szemészet, 2021 (158. évfolyam, 1-4. szám)
2021-03-01 / 1. szám
Mesterséges intelligencia a szemészetben 1 . táblázat: Népszerű publikus adatbázisok CDR = Diabéteszes Retinopathia] (86) Adatbázis neve Képalkotás Demográfia Esetszám Terület Kaggle USA 53 576 DR EyePACS USA 35 126 DR MESSIDOR Franciaország 12DO DR E-OPHTA Franciaország 463 DR HRF Németország 45 DR, Glaukóma DRIVE fundusfotó Hollandia 40 DR RIGA Franciaország, Szaúd-Arábia 760 Glaukóma 0RIGA-650 Szingapúr 650 Glaukóma DRISHTI-GS India 101 Glaukóma INSPIRE-AVR USA 40 Glaukóma REVIEW UK 16 Vaszkuláris teget tartalmaz. Minden réteg egy új, ugyanakkor egyre absztraktabb reprezentációt képes adni kimeneti adatként, amely a következő réteg bemeneti adatát képzi. A klasszikus gépi tanulással ellentétben kiindulhatunk nyers adatokból is, azaz nincs szükség a jellemzők előzetes definiálására, hiszen az első rétegek felfoghatók úgy, mint nyers adatból történő kinyerés, amelyet a háló magától megtanul. A konvolúciós neurális hálózatokat (convolutional neuronal network - CNN) kifejezetten képek feldolgozására hozták létre. Ez a hálózat a DL egy altípusa, amelynél konvolúció segítségével tömörítjük és osztjuk meg a bemeneti információt a rétegek között, ezzel csökkentve az egyes rétegelemre eső tanulandó információmennyiséget (74). Népszerű CNN például az AlexNet, GoogleNet, VGG, Inception-V3, ResNet és Inception-ResNet-V2. A hálózatok a neurális rétegek számában, azok összeköttetéseiben, súlyozási- és visszacsatolási rendszerükben, tanítható paramétereik számában, ezáltal a betanításukhoz szükséges időben és energiában, valamint alkalmazhatósági területükben és pontosságukban különböznek. Az adott feladatra további algoritmusokkal optimalizációt végezve a hatékonyság növelhető (67). A betanításra akár a mindenki számára elérhető adatbázisok is alkalmazhatók. Leggyakrabban a Kaggle, EyePACS és MESSIDOR használatosak robusztusabb voltuk miatt (1. táblázat). Egy DL-algoritmus „megépítéshez” szükséges, szintén open-source eszközök (pl.: TensorFlow, MXNet) nagy számban érhetők el a főbb programozási nyelveken (pl.: Python, C++, Java) (86). Kalman-szűrők (47) alkalmazásával lehetőség nyílik előrejelzések generálására, amely egészségügyi felhasználás esetén személyre szabható betegút-predikciót, ezáltal perszonalizált vizsgálati algoritmust tehet lehetővé. Az AI teljesítményének a leggyakoribb mérőszámai a szenzitivitás, specificitás, pozitív és negatív prediktív érték, valamint a „vevő működési karakterisztika” (reciever operating characteristic - ROC) görbe alatti terület (area under the receiver operating characteristic curve - AUC). A ROC-görbe egy grafikus módszer egy osztályozó igaz pozitív aránya és hamis negatív aránya közötti reláció megjelenítésére. Egy jó osztályozási modell az ábra bal felső sarkához közel helyezkedik el, míg egy véletlenszerűen találgató modell a főátló mentén van. Az AUC bináris (igen - nem, vagy pl.: glaukóma - nem glaukóma) osztályozó modelleket rangsorol. Ha a modell véletlen találgatást végez, akkor az AUC 0,5. A modell teljesítményének javulását az AUC növekedése jelzi. Tökéletes modell esetén az AUC 1,0 (82) (2. ábra). A következőkben a szemészeten belül a retina betegségein és a glaukóma területén haladunk végig részletesebben, de a többi területről is igyekszünk bepillantást adni a mesterséges intelligencia alkalmazhatóságáról és elért eredményeiről, leszögezve, hogy annak terjedelme jóval meghaladja ezen közlemény korlátáit. Retina Tekintettel a tényre, hogy a retina betegségei vezető szerepet töltenek be a vaksági statisztikákban, széleskörű és nagyon intenzív figyelem kíséri őket világszerte. 2. ábra: Két különböző osztályozó [M^ M2J ROC-görbéje [82] Hamis negatív arány Igaz pozitív arány
