Опухоли глазной поверхности бывают доброкачественными, предраковыми и злокачественными — последние две группы угрожают не только зрению, но и жизни. Ранняя диагностика спасает: можно избежать слепоты, обезображивающих операций и даже смерти. Но проблема в том, что такие опухоли часто маскируются под безобидные воспаления, а врачей, способных их распознать, не хватает. Искусственный интеллект уже помогает офтальмологам находить болезни глаз, но обучать его на маленьких наборах данных — все равно что учить хирурга по учебнику без картинок.

Результаты опубликованы в издании Research.

Команда профессора Чжунвэня Ли из Нинбоского института офтальмологии нашла выход. Они создали OSPM — модель, которая учится на 760 тысячах неразмеченных снимков глазной поверхности из 10 клиник Китая, а потом доучивается на 1455 изображениях с точным диагнозом. Получившийся алгоритм OECM отличает опасные опухоли от безопасных с точностью выше 89% (AUC), даже если снимки сделаны на разные камеры. Важно, что OECM работает и с обычными цифровыми фото — значит, пациенты из групп риска смогут сами фотографировать глаза и отправлять снимки на проверку.

Модель не только точна, но и экономит время врачей: ей нужно меньше размеченных данных для обучения, а молодые офтальмологи с ее помощью ставят диагнозы увереннее. Сейчас разработчики тестируют три сценария:

• В крупных больницах — для ускорения первичного осмотра.
• В районных поликлиниках — чтобы избежать лишних направлений и пропущенных случаев.
• Для пациентов — мобильное приложение для самопроверки по фото.

Если все пойдет хорошо, OECM станет цифровым стражем, который вовремя заметит угрозу и спасет и зрение, и жизни.

Главный прорыв здесь — преодоление дефицита данных. Обучать ИИ на миллионах размеченных изображений — идеал, но для редких болезней это нереально. OSPM показывает, что можно сначала «накормить» алгоритм кучей неразмеченных снимков (а их добыть проще), а потом тонко настроить на малой выборке с диагнозами. Это особенно ценно для регионов, где нет патологоанатомов, способных точно маркировать опухоли.

Вторая ценность — удешевление скрининга. Если модель работает на фото с обычной камеры, это снижает барьер для ранней диагностики: например, фермеры в зонах с высоким УФ-излучением (группа риска) могли бы делать селфи глаза и отправлять их в систему.

Неясно, как модель поведет себя с редкими подтипами опухолей, которых не было в обучающей выборке. Например, если в данных преобладала плоскоклеточная карцинома из южных регионов Китая, распознает ли она меланому у пациента из России? Авторы пишут о «многоцентровой» валидации, но не раскрывают географическое распределение данных.

Ранее ученые смогли восстановить роговицу с помощью стволовых клеток.