RT - Article
SR - Electronic
T1 - Применение машинного обучения при диагностике глаукомы: систематический обзор
SP - 2024-11-27
DO - 10.34883/PI.2024.14.3.035
A1 - Байболдина, А.А., 
A1 - Лакман, И.А., 
A1 - Мухамадеев, Т.Р, 
A1 - Загидуллина, А.Ш., 
A1 - Арсланова, А.И., 
A1 - Мезенцева, А.И., 
YR - 2024
UL - https://repo.bashgmu.ru/publication/4566
AB - Введение. Глаукома является прогрессирующим заболеванием органа зрения и относится к одной из самых распространенных причин неизлечимой слепоты во всем
мире. Поэтому ранняя диагностика данного заболевания имеет решающее значение
в современной офтальмологии. Однако данный процесс может быть трудоемким и
дорогостоящим, в связи с чем постоянно возникает потребность в разработке более
эффективных комплексных методов диагностики. Актуальным является внедрение
технологий машинного обучения при принятии врачебного решения и повышение
качества диагностики заболевания.
Цель. Провести систематический отбор опубликованных научных работ, посвященных проблеме применения машинного обучения при диагностике глаукомы, проанализировать точность и эффективность исследуемых технологий.
Материалы и методы. Проведен анализ статей, опубликованных в 2014–2024 гг. и
посвященных теме применения машинного обучения при диагностике глаукомы.
Поиск литературы был осуществлен по базам PubMed/MEDLINE и eLibrary по группам
ключевых словосочетаний: machine learning, glaucoma, diagnostic. После изучения
полного текста 48 работ, соответствующих критериям отбора, было выбрано 24 статьи, наиболее релевантных поставленной задаче.
Результаты. Выполнен анализ источников, описывающих применение технологий
искусственного интеллекта, в частности машинного обучения, для диагностики глаукомы. Рассмотрены существующие способы разграничения показателей нормы от
патологии, представлена информация о применяемых наборах данных для построения математических моделей, оценены качество и эффективность моделей, а также
выделены основные преимущества и недостатки используемых классификационных
методов. Модели, построенные на алгоритмах машинного обучения, продемонстрировали точность предсказания выше 90%, подтверждая потенциал применения этих
методов для диагностики глаукомы.
Заключение. Наблюдается значительный интерес мирового научного сообщества к
применению технологий искусственного интеллекта, в частности методов машинного обучения, при диагностике и прогнозировании глаукомы. Внедрение методов машинного обучения в офтальмологии представляется перспективным инструментом
для повышения выявляемости заболевания на ранних стадиях