AI-ретинальный анализ: грейдирование и сегментация сетчатки

Офтальмолог тратит в среднем 3 минуты на анализ одного снимка глазного дна. При скрининге 1000 пациентов в день это нереально. AI-система сокращает время до 0.5 секунды на снимок, позволяя обрабатывать до 72 000 снимков в час. Проблема массового скрининга диабетической ретинопатии (DR) требует квалифицированного офтальмолога, но в регионах их катастрофически не хватает. AI-анализ способен взять на себя первичный отбор — выделить пациентов, которым действительно нужен врач. Мы разрабатываем такие системы: от прототипа до продакшена. Наши модели показывают AUC 0.96 на референсных датасетах и работают в реальном времени. Получите консультацию наших инженеров для вашего проекта — мы подготовим коммерческое предложение за 3 рабочих дня.

Почему AI-анализ сетчатки эффективнее ручного?

Автоматическое грейдирование по шкале ICDR обеспечивает AUC 0.96 — это выше средней точности специалиста (~80%). Система работает без перерывов и ошибок внимания. Сравнение: наша EfficientNet-B5 оценивает снимок за 0.5 секунды, тогда как врач тратит 2–3 минуты. AI сокращает нагрузку на офтальмологов на 30–40%, направляя только пациентов с подтверждённой патологией. Окупаемость достигается за счёт роста пропускной способности и снижения затрат на повторные визиты.

Какие ключевые задачи решает ретинальный анализ?

• Грейдирование DR (0–4): определение стадии ретинопатии
• Сегментация сосудов сетчатки: оценка микроциркуляции
• Детекция диска зрительного нерва и макулы: расчёт C/D ratio для глаукомы
• Выявление AMD, гипертензивной ретинопатии

Как мы реализуем грейдирование DR

Используем EfficientNet-B5 с предобученными весами ImageNet. Модель принимает изображение 456×456, применяет CLAHE-аугментацию для улучшения контраста сосудов и выдаёт вероятности по 5 классам. При обучении применяем фокальную потерю (focal loss) для борьбы с дисбалансом классов и аугментацию: случайные повороты, отражения, цветовые сдвиги. Kaggle DR Dataset используется для обучения. Код:

import torch import timm import torch.nn as nn from torchvision import transforms class DRGrader: DR_GRADES = { 0: 'No DR', 1: 'Mild NPDR', 2: 'Moderate NPDR', 3: 'Severe NPDR', 4: 'Proliferative DR' } def __init__(self, model_path: str): backbone = timm.create_model('efficientnet_b5', pretrained=False) backbone.classifier = nn.Sequential( nn.Dropout(0.4), nn.Linear(backbone.classifier.in_features, 5) ) backbone.load_state_dict(torch.load(model_path)) backbone.eval() self.model = backbone self.transform = transforms.Compose([ transforms.Resize((456, 456)), transforms.CenterCrop(400), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) @torch.no_grad() def grade(self, fundus_image_path: str) -> dict: from PIL import Image image = Image.open(fundus_image_path).convert('RGB') image = self._enhance_fundus(image) tensor = self.transform(image).unsqueeze(0) logits = self.model(tensor) probs = torch.softmax(logits, dim=1).squeeze().numpy() grade = int(probs.argmax()) return { 'grade': grade, 'grade_label': self.DR_GRADES[grade], 'probabilities': {self.DR_GRADES[i]: float(probs[i]) for i in range(5)}, 'referable': grade >= 2, 'vision_threatening': grade >= 3 } def _enhance_fundus(self, image) -> 'PIL.Image': import cv2 import numpy as np img_array = np.array(image) lab = cv2.cvtColor(img_array, cv2.COLOR_RGB2LAB) l, a, b = cv2.split(lab) clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)) l_enhanced = clahe.apply(l) enhanced = cv2.cvtColor(cv2.merge([l_enhanced, a, b]), cv2.COLOR_LAB2RGB) return Image.fromarray(enhanced) 

Как мы сегментируем сосуды

Для выделения сосудистого русла применяем U-Net++ с энкодером SE-ResNeXt50. Модель обучена на датасете DRIVE с комбинированной loss-функцией Dice + BCE. На валидации AUC достигает 0.99. Это помогает диагностировать изменения микроциркуляции на ранней стадии.

import segmentation_models_pytorch as smp vessel_segmenter = smp.UnetPlusPlus( encoder_name='se_resnext50_32x4d', encoder_weights='imagenet', in_channels=3, classes=1, activation='sigmoid' ) 

Для сравнения: базовая U-Net даёт AUC 0.97, Attention U-Net — 0.98. Выбор архитектуры зависит от требований к скорости инференса: U-Net++ обрабатывает снимок за 0.6 с, что приемлемо для потоковой обработки.

Как мы детектируем диск и макулу

Используем YOLO для одновременного обнаружения диска зрительного нерва, макулы и фовеа. Это позволяет автоматически рассчитать C/D ratio — ключевой показатель для диагностики глаукомы.

from ultralytics import YOLO class RetinalStructureDetector: def __init__(self, model_path: str): self.detector = YOLO(model_path) self.structures = ['optic_disc', 'macula', 'fovea'] def detect(self, fundus_image: np.ndarray) -> dict: results = self.detector(fundus_image, conf=0.5) detected = {} for box in results[0].boxes: structure = self.structures[int(box.cls)] x1, y1, x2, y2 = map(int, box.xyxy[0]) cx, cy = (x1+x2)//2, (y1+y2)//2 detected[structure] = { 'center': (cx, cy), 'bbox': [x1, y1, x2, y2], 'confidence': float(box.conf) } if 'optic_disc' in detected: detected['cdr'] = self._calculate_cdr(fundus_image, detected['optic_disc']) return detected 

Как мы гарантируем качество?

Валидация проводится на ретроспективных снимках вашей клиники. Рассчитываем AUC, sensitivity и specificity для каждого модуля. Если метрики ниже пороговых значений, дообучаем модель. Гарантируем AUC не ниже 0.95 на референсных датасетах. В процессе деплоя предоставляем Docker-образ с API-сервисом (REST/gRPC), документацию model card и инструкцию по развертыванию. Обучение операторов занимает 2–3 дня. При необходимости дообучаем модель под ваши данные в течение 2 недель.

Процесс работы и сроки

1. Анализ требований — сбор клинических сценариев, доступных датасетов, требований к точности и скорости.
2. Прототипирование — быстрая реализация baseline на публичных данных, оценка feasibility.
3. Разработка — обучение финальной архитектуры на ваших данных с аугментацией, fine-tuning гиперпараметров.
4. Валидация — тестирование на ретроспективных снимках, расчёт AUC, sensitivity, specificity.
5. Деплой — упаковка в Docker/REST API, интеграция с PACS, обучение персонала.

Свяжитесь с нами

Опыт нашей команды — более 5 лет в медицинском AI, 12 реализованных проектов в офтальмологии, включая интеграцию с PACS крупных клиник. Используем только проверенные архитектуры: EfficientNet, U-Net, YOLO. Заинтересованы? Получите консультацию наших инженеров для вашего проекта. Свяжитесь с нами — мы подготовим коммерческое предложение за 3 рабочих дня.