Брой 6/2024
Ц. Михова, медицински оптик, Доц. д-р Д. Групчев, д.м., FEBO
Чл. кор. проф. д-р Х. Групчева, д.м.н., , FEBO, FICO (Hon), FBCLA, FIACLE
„УСБОБАЛ – Варна“ ЕООД,
Медицински университет – Варна
Въведение
Кератоконусът е невъзпалително, дегенеративно заболяване, характеризиращо се с изтъняване и конусовидно изкривяване на роговицата. Името на заболяването произлиза от двете гръцки думи: keratos – рог и conus – конус. То е прогресивно нарушение на предната роговична повърхност и започва в млада възраст. Честотата на заболяването е относително висока от 0,05-6%. Етиологията на заболяването не е изяснена. Някои автори смятат, че заболяването е генетично, според други причината е нарушение в обмяната на веществата, а трети посочват вродените аномалии като първопричина.
Кератоконусът е труден за диагностициране, особено в ранните етапи. Диагнозата се базира на клинични прегледи и инструментални изследвания. В ранните етапи, когато липсват клинични признаци, диагноза зависи от интерпретацията на резултатите от новите технологии (топография, томография и ОСТ) от обучени специалисти. Използването на изкуствен интелект при анализа на изображенията позволява различен анализ и интерпретация, което поставя диагнозата в субклиничен стадий и има потенциал за ранна диагностика и своевременно лечение.
Терминът „изкуствен интелект“ (ИИ) е въведен в употреба през 1955 г. от американския учен по компютърни науки Джон МакКарти, по време на конференция в Дартмут. С течение на времето този метод стана все по-предпочитан за интерпретация на медицински изображения. В конкретния случай алгоритмите на ИИ могат да идентифицират ектазия и предклинични признаци на кератоконус като използват информация, която е „невидима“ за човешкото око. Машинното обучение (ML) е специфична техника за внедряване на ИИ. Дефинира се като серия от автоматизирани методи, които идентифицират модели и шаблони в данните и ги използват за извършване на прогнози върху разширени бази данни.
Тази технология е приложена за първи път през 80-те години на миналия век. Дълбокото обучение (DL) е усъвършенствана форма на машинно обучение, предназначена да имитира процеса на човешкия мозък, изграден от слоеве, всеки от които отговаря за идентифицирането на модели, като по този начин успешно моделира сложни сценарии. Значителното предимство на ML в медицината е способността му да наблюдава и проследява клинични състояния с висока ефикасност на ниска цена. Дълбокото обучение се използва за регистриране динамиката на очни заболявания като диабетна ретинопатия, макулна дегенерация, свързана с възрастта, венозни оклузии [Nagasato et al., 2019], глаукома [Asaoka et al., 2019; Wang et al., 2019]; катаракта [Wu et al., 2019; Xu et al., 2020]; и ретинопатия на недоносените [Wakabayashi et al., 2022]. Тези състояния, както и други, изискват често проследяване, за да се наблюдават промените във времето.
Въпреки че компютърната технология е важна за идентифициране и класифициране на различни очни заболявания, тя все още изисква допълнително клинично валидиране и не замества изцяло човешките диагностични умения. [Erdinest, N. et. al. 2024]
Преди няколко години за разработването на ИИ технологиите беше нужно значително инженерно и научно познание. Днес достъпът до тези технологии е много по-лесен. Инструментите за разработване на ИИ, програмите за обучение и по-реалистичните кариерни възможности предоставят възможност дори на хора без техническо образование да влязат в тази област, която някога беше трудно достижима.
Ранното идентифициране на кератоконус е важно не само за правилен терапевтичен подход, но е ключов скринингов метод преди рефрактивна хирургия с цел намаляване риска от ятрогенна ектазия на роговицата.
Цел
Настоящото проучване е базирано на метаанaлиз на публикуваната литература с цел да се идентифицират и анализират възможностите на ИИ за ранна диагностика на кератоконус.
Методи
За постигане на поставените цели бяха проучени 24 пълнотекстови статии, издадени през периода. Търсенето е извършено за фиксиран период 2018-2024 г и обхваща научните бази PubMed, Web of Science, Google Scholar и Research Gate. За ключови думи бяха използвани: кератоконус, изкуствен интелект, алгоритъм на изследване, машинно обучение. Бяха включени първични, емпирични и обзорни проучвания за оценка на различни модалности на скрининг за субклиничен кератоконус. След внимателен анализ на намерените 130 публикации бяха идентифицирани 24 пълнотекстови публикации, които са анализирани в настоящото проучване.
Критериите са както следва:
Резултати и обсъждане
Кератоконус и биомеханика на състоянието
Един от подходите за ранна диагностика на кератоконус е биомеханичният анализ с помощта на ИИ. В изследването си Huo и колектив (2023) разглеждат литературата относно три аспекта на кератоконуса (кератоконус, ранен кератоконус и класификация на кератоконуса) въз основа на биомеханичните свойства на роговицата, използвайки ИИ. Авторите установяват, че с последните постижения в базираната на ИИ диагностика се стига до ранно откриване и правилно стадиране на кератоконуса от гледна точка на биомеханиката на роговицата. [Huo et al., 2023]
Подобни са резултатите на Niazi и колектив (2023), който разглежда възможностите на диагностичните системи, които използват автоматизирани дървета за вземане на решения, поддържащи векторни машини и различни видове невронни мрежи, включващи информация от различно оборудване за изображения на роговицата. Авторите демонстрират висока разграничителна сила между нормалните случаи и случаите на кератоконус, с относително по-ниска разграничителна сила за субклиничен кератоконус. [Niazi et al., 2023]
Характеризирането на биомеханичните свойства на роговицата може да стане с т.нар еластометрия. Chong и съавтори и анализират наличните методи за еластометрия и ролята на изкуствения интелект в процеса на поставяне на диагнозата. [Chong, Dupps, 2021]
В проучване на Kundu и колектив (2023) се цели да се идентифицират и анализират клиничните и очните повърхностни рискови фактори, влияещи върху прогресията на кератоконус, като се използва модел на ИИ. Установява се, че томографският модел, базиран на ИИ, класифицира 322 очи като прогресия и 128 очи като липса на прогресия. Също така, 76% от случаите, които са класифицирани като прогресия (от томографски промени), са правилно прогнозирани като прогресия и 67% от случаите, които са класифицирани като липса на прогресия, са прогнозирани като липса на прогресия въз основа на клинични рискови фактори при първото посещение. Това проучване демонстрира значението на използването на ИИ за стратификация на риска и профилиране на пациенти въз основа на клинични рискови фактори като системни алергии, консумацията на витамин В, търкането на очите и др., които биха могли да повлияят на прогресията в очите и да подпомогнат за по-доброто им менажиране. [Kundu et al., 2023]
В своето проучване Dong и колектив (2023) оценява консистенцията, определяща биомеханичните свойства при популации с нормален, кератоконус и субклиничен кератоконус и проучва междуочната асиметрия при едностранен кератоконус. Диагностичната способност на стойностите на междуочната асиметрия и новосъздадените модели са оценени с помощта на работни характеристики на приемника и криви на калибриране. Установява, че стойностите на биомеханичната междуочна асиметрия могат да намалят честотата на фалшиво-отрицателните резултати и да подобрят ефективността при диагностициране на кератоконус и субклиничен кератоконус. [Dong et al., 2023]
Оптимизирането на ИИ за интегриране на базирана на Scheimpflug томография на роговицата и биомеханични оценки увеличава точността за откриване на ектазия, характеризирайки податливостта на ектазия в различните състояния. Машинното обучение, отчитащо допълнителни данни, включително дебелина на епитела или други параметри от мултимодално рефрактивно изображение, непрекъснато ще повишава точността на изследванията. [Ambrósio et al., 2023]
Анализът на проучената литература показва, че към настоящия момент биомеханичните параметри на роговицата in vivo не са чувствителен и надежден показател за разграничаване на нормалните очи и субклиничния кератоконус в изолация, но могат да бъдат от полза при отчитане прогресията на заболяването или в клиничната практика след разработването на по-подходящи методи за измервания. Нововъведените технологии като оптична кохерентна еластография или анализ на OCT могат да подпомогнат идентифицирането на микроструктурни промени на роговицата, което позволява по-ранно откриване на кератоконус.
Едно от най-интересните проучвания на тази технология е на Pagano и колектив (2023) и разглежда най-важните и наскоро публикувани приложения на ИИ в областта на заболяванията на роговицата и очната повърхност, със специален акцент върху кератоконуса, инфекциозния кератит, трансплантациите на роговицата и използването на in vivo конфокална микроскопия. Потвърждава се твърдението, че навлизането на ИИ в съвременната офталмология постепенно показва обещаващи резултати. Прилагането на сложни алгоритми за машинно и дълбоко обучение има потенциала да подобри диагностицирането на различни заболявания на роговицата и очната повърхност, да персонализира лечението и да подобри резултатите за пациентите. Освен това използването на ИИ може да подобри ефективността на здравната система чрез предоставяне на по-точни резултати, намаляване на натоварването на офталмолозите, позволяване на анализ на голямо количество данни и намаляване на времето и ресурсите, необходими за ръчно получаване на изображения и анализ. [Pagano et al., 2023]
Проучване на Afifah и колектив (2024), от друга страна, представя перспективата за използване на модели с ИИ за диагностициране на кератоконус. Pentacam е най-често използваният метод за машинно обучение, който често се използва за поставяне на по-точна диагноза. ИИ потенциално прави по-добра диагноза на кератоконус с високата си производителност, особено по отношение на чувствителността и специфичността, което може да помогне на клиницистите да вземат конкретни медицински решения за всеки отделен пациент. [Afifah et al., 2024]
Извършеният преглед на литературата в изследването на Hashemi и колектив (2023) е предназначен да сравни различни модалности за изобразяване на роговицата с помощта на ИИ за диагностициране на кератоконус, субклиничен и фрустна форма на кератоконус. Изследването потвърждава тезата, че едновременните методи за изобразяване на роговицата Scheimpflug и Placido осигуряват висока диагностична точност за ранно откриване на кератоконус. Тяхното изследване отново потвърждава тезата че, използването на модели с ИИ подобряват разграничаването на кератоконичните очи от нормалните роговици. [Hashemi H., et.al., 2023]
В публикация на Heber и колектив (2021) се изследват алгоритми за машинно обучение за разграничаване на биомеханичните свойства на роговицата между различни топографски етапи на кератоконус чрез динамична тонометрия на Scheimpflug. Използвани са модели с ИИ за прогнозиране на тежестта в набор от данни за обучение и валидиране. Те показват добра точност при прогнозиране на здрави очи и различни етапи на кератоконус. Установява се, че моделите с включен ИИ са в състояние да предвидят тежестта на кератоконуса, без да са налични кератометрични данни. [Herber R., et.al. 2021] Тълкуването на топографски карти, използвани за откриване на ектазии на роговицата, изисква високо ниво на експертиза. Няколко технологии за ИИ се опитват да интерпретират топографски карти. Целта на проучване, извършено от Shanthi и колектив (2023), е да предостави преглед на алгоритми с ИИ в топографията на роговицата от гледна точка на очен специалист, биомедицински инженер и аналитик на данни.
Систематичен преглед на литературата, извършен от 2010 г. до 2020 г., по теми относно модалностите на изображения, техните параметри, цел и заключения и техните проби и ефективност, свързани с ИИ в топографията на роговицата. Предоставено е изчерпателно обобщение на напредъка в изобразяването на роговицата и неговите приложения в ИИ. Комбинираните показатели от устройството Dual Scheimpflug и Placido могат да бъдат добра отправна точка за изпробване на модели с ИИ в системи за изображения на роговицата. Диапазонът на площта под приемната оперативна крива за ИИ при откриване и класифициране на кератоконус е от 0,87 до 1, чувствителността е от 0,89 до 1, а специфичността е от 0,82 до 1. Препоръчително е да се използва комбинация от различни видове приложения на ИИ за диагностика на ектазия на роговицата за постигане на по-прецизни резултати. [Shanthi S., et.al., 2023]
От друга страна проучване на Chandapura и колектив (2019) оценяват дали OCT топографията на слоя на Bowman и ИИ могат да доведат до по-добро отграничаване на фрустна форма на кератоконус от клиничен кератоконус. Установява се, че OCT топографията на слоя на Bowman значително подобрява диагностиката при фрустна форма на кератоконус. [Chandapura R., 2019]
В статия на Reisdorf и колектив (2019) е описано разглеждането на три параметъра за скрининг на ранна форма на кератоконус. Показано е как резултатите от изследванията водят до клинични решения, които могат да бъдат полезни за откриване на клиничен и субклиничен кератоконус, както и за скрининг на глаукома. Машинното обучение и ИИ са от изключителна важност, т.к. анализът на данни чрез базирани на знания аналитични методи е труден и сложен. В такива случаи комбинираните аналитични и емпирични подходи, базирани на ИИ, също са от значение. Валидирани са няколко клинични параметъра за апарат, който представлява тонометър с функции за визуализация и измерване на реакцията на деформация на роговицата към въздушен импулс Corvis® ST. Той записва реакцията на роговицата към определен въздушен импулс с новоразработена високоскоростна камера Scheimpflug, която прави над 4 300 изображения в секунда.
ВОН и дебелината на роговицата могат да бъдат измерени с голяма точност въз основа на изображенията на Scheimpflug. Извършва се цялостен биомеханичен скрининг и откриване на кератоконус. Докладът за скрининг на Vinciguerra показва резултатите на пациента в сравнение с нормативните стойности, представени в лесни за разбиране диаграми. Времето за разкъсване на слъзния филм се изчислява с помощта на подход с ИИ за оптимизиране откриването на ектазия. Чрез комбиниране на томографски данни от Pentacam с биомеханични данни от Corvis® ST може допълнително да се подобри чувствителността и специфичността при откриването на пациенти със значителен риск от развитие на ектазия след рефрактивна хирургия. [Reisdorf S. et.al., 2019]
През последните десетилетия в медицината се създават все повече системи за ИИ, които идентифицират заболявания или патологии, или ги разграничават от системните заболявания. Досега Corvis®ST даваше двоичен индекс за класифициране на кератоконус, но не позволяваше стадиране. Целта на проучване от 2021 г на Langenbucher и колектив е да се разработи модел за прогнозиране, който имитира индекса за класификация на топографския кератоконус на Pentacam с висока разделителна способност с параметри на измерване, извлечени от Corvis®ST. Това проучване има за цел да покаже принципа на контролирано машинно обучение, приложен към настройка за моделирана класификация на стадирането на кератоконус. Предварително обработените данни от измерванията, извлечени от устройството Corvis®ST, са използвани за имитиране на топографки кератоконус, предоставен от устройството Pentacam със серия от различни алгоритми за машинно обучение. [Langenbucher A., et.al., 2021]
Много области на възрастни и педиатрични заболявания на предния сегмент все още не са изследвани с ИИ, с потенциал за бъдещи приложения. Автоматизирана система за откриване, комбинирана с телемедицина, би могла да даде възможност за по-широк достъп до здравните услуги, особено ако те съответстват или превъзхождат тези на обучен специалист. [Ting D., et.al., 2019; Wu X., et.al., 2019]
Адекватната диагностика и стадиране на кератоконуса се формира на базата на няколко основни данни от измервания като: очна резистентност, топографската карта и томографски данни. Чрез тях се постига качествено проследяване на прогресията и отчитане резултатите от лечението. Прилагането на новите технологии допринася за по-доброто разбиране на болестта като те позволяват по-добро характеризиране на оптичните, анатомичните и биохимичните промени, свързани с нея.
Телемедицината – технология и бъдеще
В миналото офталмологичните изследвания на ИИ се фокусираха главно върху заболявания на задния сегмент като диабетна ретинопатия, ретинопатия на недоносените, свързана с възрастта, дегенерация на макулата, оклузия на ретиналната вена и глаукомна оптична невропатия. Междувременно нарастващ брой проучвания използват ИИ за диагностициране на заболявания на очната повърхност и изграждане на модели за поставяне на диагнози. В статия на Ji и колектив (2022) се обобщава напредъкът на изследванията на ИИ в диагностиката на няколко заболявания на очната повърхност, а именно кератит, кератоконус, сухо око и птеригиум. Обсъждат се ограниченията и предизвикателствата на ИИ при диагностицирането на заболявания на очната повърхност, както и перспективите за бъдещето. [Ji Y., et.al., 2022]
Понастоящем има определена празнина между полезни алгоритми и приложение в реалния свят, с необходимост от фокусиране върху транслационните изследвания. Големите данни, особено тези, получени от електронни здравни досиета, служат като ценни неизползвани ресурси за улесняване на обучението и разработване на стабилни системи, основаващи се на ИИ, тъй като често се изисква голямо количество данни. Преди клинично внедряване трябва да се вземат предвид няколко бариери, включително разходи, опит и регулаторни ограничения. Въпреки че времето и разходите, необходими в момента за обучение и разработване на тези алгоритми са високи, това вероятно ще бъде необходима инвестиция за предотвратяване на колапс на глобална здравна система в бъдеще. Използването на многозадачни модели също така ще позволи подобрено съотношение между разходите и ползите, където например две диагнози могат да бъдат направени с едно изследване, например диагностициране на катаракта и аркус сенилис на роговицата едновременно. [S V, G R., 2018]
Разгръщането на ИИ в офталмологията разширява диагностичните изображения, което скоро може да доведе до внедряване в реално време в програми за телемедицински скрининг. Скорошни проучвания, направени в реално време, показаха осъществимостта на използване на автоматизирана система за откриване, подпомагана от ИИ, в офталмологията, особено при откриването на ранна форма на кератоконус. Предимствата от използването на ИИ в офталмологията далеч надвишават неговите ограничения. Когато се използва разумно и предпазливо, с правилно проследяване и докладване, ИИ определено ще осигури желания резултат, който може да помогне за стриктното спазване на алгоритъма за скрининг и лечение. Стабилните алгоритми за дълбоко обучение се развиват бързо и скоро ще бъдат интегрирани в офталмологичната практика. Въпреки това, специалистите винаги трябва да помнят, че ИИ осигурява най-добри резултати само когато е подсилен от квалифицирана човешка експертиза [Dutt S., et.al., 2020].
Въвеждането на авангардните технологии както в диагностиката на заболяванията, така и в анализа на данните, допълнително усъвършенства епидемиологичния процес, позволявайки по-ефективно формулиране на здравни политики. В този смисъл технологичната революция, осигурена от новите диагностични образни устройства за оценка на роговицата и предния сегмент и от иновативните алгоритми за изкуствен интелект, значително промени начина, по който идентифицираме и лекуваме застрашаващи зрението състояния като кератоконус.
Потенциални „опасности“ при използването на ИИ за диагностични цели
Преди да се доверим на базираните на ИИ решения и диагнози в офталмологията би трябвало да се обърне внимание на следните важни моменти:
• Квалифицирано потвърждение на диагнозата на база клиничен анализ;
• Проверка на ключови изображения, използвани за анализа;
• Предварително тестване на алгоритмите в експериментални условия;
• Подбор на правилните нозологични единици и избягване на казуистчни случаи и редки заболявания, защото алгоритмите се нуждаят от масиви с данни;
• Трябва да се съобрази че ИИ също може да допусне грешки, фалшиво положителни и фалшиво отрицателни резултати, не те са „грешки“ на специалиста, който се е предоверил на ИИ;
• Отговорността остава на лекуващия специалист, което изисква критично отношение на клиничната практика към заключенията на ИИ.
Заключение
Разрастващите се технологии могат да допринесат за масов анализ на изображенията от множество офталмологични центрове. В условията на пандемията от COVID-19 натрупахме опит и доказателства, че в офталмологията телемедицината има сериозно място. Кератоконусът е частен случай на очно заболяване, което има динамичен прогрес и прецизно проследяване. Диагнозата преди клиничната изява би имала особено значение за ранно приложение на крослинкинг и въздържане от рефрактивни процедури, които могат да намалят резистентността на роговицата и да доведат до ятрогенна ектазия. Независимо че към момента все още има пречки за основаване на диагнозата на находката от анализите на ИИ, бъдещото обединяване на големи бази данни и критичното клинично отношение ще спомогне за въвеждане на тази технология в офталмологичната практика.
Пълното прилагане на ИИ ще доведе до фундаментални промени в клиничната офталмологична диагностика и лечение, но това няма да замени ролята на клинициста при оценка на всеки конкретен случай. ИИ не трябва да се приема като конкуренция, а просто прогресивна технологична добавка към клиничната практика.
Литература:
1. Afifah, Azzahra, Fara Syafira, Putri Mahirah Afladhanti, и Dini Dharmawidiarini. „Artificial intelligence as diagnostic modality for keratoconus: A systematic review and meta-analysis“. Journal of Taibah University Medical Sciences 19, бр. 2 (01 Януари 2024): 296–303.
2. Ambrósio, Renato, Aydano P. Machado, Edileuza Leão, João Marcelo G. Lyra, Marcella Q. Salomão, Louise G. Pellegrino Esporcatte, João B. R. da Fonseca Filho, и съавт. „Optimized Artificial Intelligence for Enhanced Ectasia Detection Using Scheimpflug-Based Corneal Tomography and Biomechanical Data“. American Journal of Ophthalmology 251 (2023): 126–42.
3. Asaoka, Ryo, Hiroshi Murata, Kazunori Hirasawa, Yuri Fujino, Masato Matsuura, Atsuya Miki, Takashi Kanamoto, и съавт. „Using Deep Learning and Transfer Learning to Accurately Diagnose Early-Onset Glaucoma From Macular Optical Coherence Tomography Images“. American Journal of Ophthalmology 198 (Февруари 2019): 136–45.
4. Chandapura, Rachana, Marcella Q. Salomão, Renato Ambrósio, Rishi Swarup, Rohit Shetty, и Abhijit Sinha Roy. „Bowman’s Topography for Improved Detection of Early Ectasia“. Journal of Biophotonics 12, бр. 10 (Октомври 2019): e201900126.
5. Chong, Jillian, и William J. Dupps. „Corneal Biomechanics: Measurement and Structural Correlations“. Experimental Eye Research 205 (Април 2021): 108508.
6. Dong, Ruilan, Yan Liu, Yu Zhang, и Yueguo Chen. „The Application of Corneal Biomechanical Interocular Asymmetry for the Diagnosis of Keratoconus and Subclinical Keratoconus“. Frontiers in Bioengineering and Biotechnology 11 (2023): 1266940.
7. Dutt, Sreetama, Anand Sivaraman, Florian Savoy, и Ramachandran Rajalakshmi. „Insights into the growing popularity of artificial intelligence in ophthalmology“. Indian Journal of Ophthalmology 68, бр. 7 (Юли 2020): 1339–46.
8. Erdinest, Nir, Dror Ben Ephraim Noyman, Itay Lavy, David Berkow, Shirley Pincovich, Naomi London, Or Shmueli, и съавт. „[ARTIFICIAL INTELLIGENCE IN OPHTHALMOLOGY]“. Harefuah 163, бр. 1 (Януари 2024): 37–42.
9. Hashemi, Hassan, Farideh Doroodgar, Sana Niazi, Mehdi Khabazkhoob, и Zahra Heidari. „Comparison of Different Corneal Imaging Modalities Using Artificial Intelligence for Diagnosis of Keratoconus: A Systematic Review and Meta-Analysis“. Graefe’s Archive for Clinical and Experimental Ophthalmology = Albrecht Von Graefes Archiv Fur Klinische Und Experimentelle Ophthalmologie, 07 Юли 2023.
10. Herber, Robert, Lutz E. Pillunat, и Frederik Raiskup. „Development of a Classification System Based on Corneal Biomechanical Properties Using Artificial Intelligence Predicting Keratoconus Severity“. Eye and Vision (London, England) 8, бр. 1 (01 Юни 2021): 21.
11. Huo, Yan, Xuan Chen, Gauhar Ali Khan, и Yan Wang. „Corneal Biomechanics in Early Diagnosis of Keratoconus Using Artificial Intelligence“. Graefe’s Archive for Clinical and Experimental Ophthalmology, 09 Ноември 2023.
12. Ji, Yuke, Sha Liu, Xiangqian Hong, Yi Lu, Xingyang Wu, Kunke Li, Keran Li, и Yunfang Liu. „Advances in Artificial Intelligence Applications for Ocular Surface Diseases Diagnosis“. Frontiers in Cell and Developmental Biology 10 (2022): 1107689.
13. Kundu, Gairik, Naren Shetty, Rohit Shetty, Pooja Khamar, Sharon D’Souza, Tulasi R. Meda, Rudy M. M. A. Nuijts, Raghav Narasimhan, и Abhijit Sinha Roy. „Artificial Intelligence-Based Stratification of Demographic, Ocular Surface High-Risk Factors in Progression of Keratoconus“. Indian Journal of Ophthalmology 71, бр. 5 (Май 2023): 1882–88.
14. Langenbucher, Achim, Larissa Häfner, Timo Eppig, Berthold Seitz, Nóra Szentmáry, и Elias Flockerzi. „[Keratoconus detection and classification from parameters of the Corvis®ST : A study based on algorithms of machine learning]“. Der Ophthalmologe: Zeitschrift Der Deutschen Ophthalmologischen Gesellschaft 118, бр. 7 (Юли 2021): 697–706.
15. Nagasato, Daisuke, Hitoshi Tabuchi, Hideharu Ohsugi, Hiroki Masumoto, Hiroki Enno, Naofumi Ishitobi, Tomoaki Sonobe, Masahiro Kameoka, Masanori Niki, и Yoshinori Mitamura. „Deep-Learning Classifier with Ultrawide-Field Fundus Ophthalmoscopy for Detecting Branch Retinal Vein Occlusion“. International Journal of Ophthalmology 12, бр. 1 (2019): 94–99.
16. Niazi, Sana, Marta Jiménez-García, Oliver Findl, Zisis Gatzioufas, Farideh Doroodgar, Mohammad Hasan Shahriari, и Mohammad Ali Javadi. „Keratoconus Diagnosis: From Fundamentals to Artificial Intelligence: A Systematic Narrative Review“. Diagnostics (Basel, Switzerland) 13, бр. 16 (21 Август 2023): 2715.
17. Pagano, Luca, Matteo Posarelli, Giuseppe Giannaccare, Giulia Coco, Vincenzo Scorcia, Vito Romano, и Alfredo Borgia. „Artificial Intelligence in Cornea and Ocular Surface Diseases“. Saudi Journal of Ophthalmology: Official Journal of the Saudi Ophthalmological Society 37, бр. 3 (2023): 179–84.
18. Reisdorf, Sven. „[Artificial Intelligence for the Development of Screening Parameters in the Field of Corneal Biomechanics]“. Klinische Monatsblatter Fur Augenheilkunde 236, бр. 12 (Декември 2019): 1423–27.
19. S V, Mahesh Kumar, и Gunasundari R. „Computer-Aided Diagnosis of Anterior Segment Eye Abnormalities Using Visible Wavelength Image Analysis Based Machine Learning“. Journal of Medical Systems 42, бр. 7 (02 Юни 2018): 128.
20. Shanthi, S., Lokeshwari Aruljyothi, Manohar Babu Balasundaram, Anuja Janakiraman, K. Nirmaladevi, и M. Pyingkodi. „Artificial Intelligence Applications in Different Imaging Modalities for Corneal Topography“. Survey of Ophthalmology 67, бр. 3 (2022): 801–16.
21. Ting, Darren Shu Jeng, Marcus Ang, Jodhbir S. Mehta, и Daniel Shu Wei Ting. „Artificial Intelligence-Assisted Telemedicine Platform for Cataract Screening and Management: A Potential Model of Care for Global Eye Health“. The British Journal of Ophthalmology 103, бр. 11 (Ноември 2019): 1537–38.
22. Wakabayashi, Taku, Samir N. Patel, J. P. Campbell, Emmanuel Y. Chang, Eric D. Nudleman, и Yoshihiro Yonekawa. „Advances in Retinopathy of Prematurity Imaging“. Saudi Journal of Ophthalmology: Official Journal of the Saudi Ophthalmological Society 36, бр. 3 (2022): 243–50.
23. Wu, Xiaohang, Yelin Huang, Zhenzhen Liu, Weiyi Lai, Erping Long, Kai Zhang, Jiewei Jiang, и съавт. „Universal Artificial Intelligence Platform for Collaborative Management of Cataracts“. The British Journal of Ophthalmology 103, бр. 11 (Ноември 2019): 1553–60.
24. Xu, Xi, Linglin Zhang, Jianqiang Li, Yu Guan, и Li Zhang. „A Hybrid Global-Local Representation CNN Model for Automatic Cataract Grading“. IEEE Journal of Biomedical and Health Informatics 24, бр. 2 (Февруари 2020): 556–67.
Адрес за кореспонденция:
Ц. Михова
Медицински университет – Варна
ул. „Цар Освободител“, 76
9002, Варна
e-mail: Tsvetelina.Mihova@mu-varna.bg
