Искусственный интеллект для сетчатки: помощник или риск пропустить диагноз?

Офтальмологи, особенно специалисты по сетчатке, ежедневно сталкиваются с огромным потоком информации. Один из ключевых методов диагностики — фотография глазного дна, или фундус-фотография. На этих снимках видны сосуды, зрительный нерв и центральная область сетчатки — макула. По ним можно заподозрить множество заболеваний, от диабетической ретинопатии до возрастной макулярной дегенерации (ВМД). Проблема в том, что большинство снимков, особенно при массовых обследованиях (скринингах), оказываются нормальными. Но чтобы найти несколько патологических, врачу нужно внимательно отсмотреть сотни, а то и тысячи «здоровых» изображений. Это колоссальная нагрузка и рутинная работа, отнимающая время, которое можно было бы потратить на сложных пациентов.

Именно здесь на помощь приходит искусственный интеллект. В последние годы алгоритмы глубокого обучения научились анализировать снимки глазного дна с точностью, сопоставимой с человеческой¹. Но одно дело — точность в лабораторных условиях, и совсем другое — реальная клиническая практика. Полностью доверить диагноз машине пока не решаются ни врачи, ни регуляторы. Поэтому учёные ищут другие способы внедрения ИИ в медицину. Один из самых перспективных — использовать его не как диагноста, а как «сортировщика» или «триажную медсестру».

Новое исследование из Южной Кореи как раз посвящено такому подходу¹. Учёные решили проверить, что будет, если ИИ станет первым, кто смотрит на снимок. Если алгоритм не находит ничего подозрительного, снимок отправляется в архив как «отрицательный» без участия врача. Если же ИИ замечает признаки болезни, он передаёт изображение офтальмологу для окончательного вердикта. Исследователи оценили, как такая система справится с тремя частыми и опасными заболеваниями сетчатки: диабетической ретинопатией (ДР), окклюзией вен сетчатки (ОВС) и возрастной макулярной дегенерацией (ВМД). Давайте разберёмся, что у них получилось, насколько это безопасно и как может изменить работу врачей в будущем.

Как устроен этот «умный помощник»?

Представьте себе обычный рабочий процесс в клинике. Пациенту делают снимок глазного дна. Затем этот снимок попадает в очередь к офтальмологу. Врач открывает изображение, изучает его, выносит своё заключение («норма» или «есть признаки болезни») и переходит к следующему. Так он просматривает все снимки подряд.

Теперь представим рабочий процесс с ИИ-помощником, который смоделировали исследователи.

1. Пациенту делают снимок глазного дна.
2. Снимок сначала анализирует программа с искусственным интеллектом. У неё есть чёткая задача: найти признаки одного из трёх заболеваний — диабетической ретинопатии, окклюзии вен сетчатки или возрастной макулярной дегенерации.
3. Если ИИ считает снимок «отрицательным» (то есть не находит признаков этих трёх болезней), он автоматически помечается как «норма». Врач его даже не увидит. Этот снимок не попадёт в его рабочую очередь.
4. Если ИИ считает снимок «положительным» (заподозрил хотя бы одну из трёх патологий), он отправляет его офтальмологу.
5. Врач видит только «подозрительные» снимки. Он изучает их и выносит окончательное решение: действительно ли есть болезнь или ИИ перестраховался.

Такая схема называется «негативным скринингом»: ИИ отсеивает заведомо отрицательные случаи, чтобы врачи могли сосредоточиться на потенциально проблемных. Важно понимать: в этой модели ИИ не ставит финальный диагноз. Он лишь фильтрует поток изображений. Все «положительные» случаи по-прежнему оценивает человек. Однако все ошибки ИИ на этапе отсева «здоровых» становятся ошибками всей системы — если алгоритм ошибочно пометит больной глаз как здоровый, врач этот снимок не увидит, и диагноз будет пропущен¹.

Для своего исследования учёные взяли 6904 снимка глазного дна у 2593 пациентов, сделанных в больнице Сеульского национального университета¹. Эти снимки были независимо оценены тремя опытными офтальмологами-ретинологами. Затем исследователи сымитировали работу ИИ-помощника и сравнили результаты такой «командной работы» с результатами, которые показывали врачи в одиночку.

Насколько сильно ИИ разгрузил врачей?

Первое, что бросается в глаза, — это колоссальное снижение нагрузки. В обычном режиме врачам пришлось бы отсмотреть все 6904 снимка. При работе с ИИ-помощником объём работы драматически сократился.

Вот как это выглядело для каждого из заболеваний¹:

• Диабетическая ретинопатия (ДР): Врачам нужно было просмотреть всего 7,3–8,0% от общего числа снимков. То есть вместо ста фотографий на их стол попадало лишь 7–8.
• Окклюзия вен сетчатки (ОВС): Врачам доставалось 11,7–11,9% снимков.
• Возрастная макулярная дегенерация (ВМД): Здесь ИИ отсеивал меньше всего, но всё равно впечатляюще. Врачам нужно было оценить 13,5–16,8% изображений.

Если же ИИ искал хотя бы одно из трёх заболеваний (общий скрининг), то врачам на проверку отправлялось от 27,7% до 30,1% всех снимков¹.

Эти цифры выглядят очень оптимистично. Высвободившееся время врачи могли бы потратить на более детальное общение с пациентами, сложные диагностические случаи или научную работу. В условиях нехватки специалистов, особенно в государственной системе здравоохранения, такая экономия ресурсов кажется настоящим прорывом. Но за любую эффективность приходится платить. Вопрос в том, какова цена.

А в чём подвох? Безопасно ли это?

Главный вопрос к любой медицинской технологии — не «насколько она эффективна?», а «насколько она безопасна?». В данном случае безопасность измеряется точностью диагностики. Чтобы её оценить, используют два основных показателя:

• Чувствительность (Sensitivity): Способность теста правильно выявлять больных. Высокая чувствительность означает, что тест почти не пропускает болезнь. Низкая — что часть больных людей получат отрицательный результат (ложноотрицательный результат).
• Специфичность (Specificity): Способность теста правильно определять здоровых. Высокая специфичность означает, что тест редко ставит ложный диагноз здоровому человеку (ложноположительный результат).

В идеале тест никогда не ошибается, правильно находя и больных, и здоровых. В реальности всегда есть компромисс. Для скрининга, особенно опасных болезней, важнее чувствительность. Лучше лишний раз перепроверить здорового человека, чем пропустить начало заболевания у больного.

В этом исследовании учёные сравнили чувствительность и специфичность работы врачей в одиночку и в паре с ИИ-фильтром. И вот здесь обнаружился тот самый подвох¹.

Окклюзия вен сетчатки (ОВС): лучший сценарий

Для ОВС всё прошло практически идеально. И чувствительность, и специфичность системы «ИИ + врач» практически не отличались от показателей врача, работающего в одиночку. Средняя чувствительность осталась на уровне 0,9807, а специфичность даже незначительно выросла (с 0,9985 до 0,9988), хотя это изменение не было статистически значимым¹. Это значит, что ИИ-фильтр эффективно отсеивал здоровые снимки, почти не рискуя пропустить болезнь и не создавая лишней работы по перепроверке здоровых.

Диабетическая ретинопатия (ДР): тревожный звоночек

Здесь ситуация оказалась иной. Применение ИИ-фильтра привело к небольшому, но статистически значимому снижению чувствительности. В среднем по трём врачам она упала с 0,9168 до 0,8838¹. На практике это означает, что система «ИИ + врач» будет пропускать немного больше реальных случаев заболевания, чем врач, работающий в одиночку. Эти пациенты получили бы ложноотрицательный результат, потому что ИИ посчитал их снимки «чистыми» и не показал врачу. Учитывая, что диабетическая ретинопатия без лечения может привести к слепоте, такая ошибка может дорого стоить. При этом специфичность немного выросла (с 0,9961 до 0,9983), но это изменение было статистически незначимым¹. То есть система стала чуть реже ошибочно подозревать болезнь у здоровых, но ценой пропуска реальных случаев.

Возрастная макулярная дегенерация (ВМД): похожий компромисс

Для ВМД наблюдалась та же тенденция, хотя и менее выраженная. Чувствительность тоже значимо снизилась: с 0,8570 до 0,8445¹. Падение меньше, чем при ДР, но оно есть. Специфичность, как и в случае с ДР, имела тенденцию к росту (с 0,9685 до 0,9843), но статистически значимо не изменилась¹.

Авторы честно признают: такой компромисс между эффективностью и безопасностью — ключевая проблема¹. Освобождая врачей от рутины, мы рискуем отсрочить диагностику у небольшой, но реальной группы пациентов с заболеваниями, угрожающими зрению.

Почему для разных болезней результаты разные?

Возникает логичный вопрос: почему для окклюзии вен сетчатки система сработала отлично, а для ДР и ВМД дала сбой? Авторы исследования предполагают несколько причин¹.

Во-первых, природа самих заболеваний. Окклюзия (закупорка) вены сетчатки обычно имеет довольно яркие и однозначные проявления на глазном дне: кровоизлияния определённой формы, отёк. Их сложно спутать с чем-то другим.

Во-вторых, субъективность оценки. Диагностика ВМД, особенно на ранних стадиях, может быть очень субъективной. То, что один врач назовёт ранними проявлениями болезни (например, мелкие друзы), другой может счесть возрастными изменениями в пределах нормы. В исследовании это хорошо видно: когда врачи оценивали снимки на предмет ВМД, они расходились во мнениях гораздо чаще, чем при диагностике ДР или ОВС. От 6,1% до 11,6% случаев по ВМД были исключены из анализа, потому что врачи не смогли прийти к единому мнению¹. ИИ, обученный на тысячах снимков, может иметь свой «взгляд» на эти пограничные случаи, который не всегда совпадает с мнением конкретного эксперта.

Диабетическая ретинопатия тоже имеет свои сложности. На ранних стадиях изменения могут быть очень мелкими и едва заметными (например, единичные микроаневризмы). Возможно, именно такие неяркие случаи ИИ и пропускал, относя их к «норме».

Этот разброс в результатах подчёркивает важную мысль: нельзя просто взять один ИИ-алгоритм и применять его для всех болезней одинаково. Стратегия внедрения должна быть специфичной для каждого заболевания, с учётом клинических рисков пропущенного диагноза¹.

Насколько можно доверять этой новости?

Как и к любой научной работе, к этому исследованию стоит подходить с долей здорового скептицизма. У него есть сильные стороны и ограничения, которые важно понимать.

Сильные стороны:

• Большой объём данных: Исследователи проанализировали 6904 снимка¹. Это солидная выборка.
• Квалифицированные эксперты: Снимки оценивали три сертифицированных ретинолога с опытом работы от 7 до 11 лет¹.
• Надёжный стандарт: Для оценки точности использовался консенсус двух других врачей. Это снижает риск ошибки одного конкретного специалиста.
• Продвинутая статистика: Авторы использовали сложные статистические методы (MRMC, GLMM), которые учитывают вариабельность как между случаями, так и между врачами¹.

Ограничения и поводы для осторожности:

• Ретроспективная симуляция, а не реальный эксперимент. Врачи оценивали снимки «вслепую», не зная о существовании ИИ. Исследователи лишь потом сымитировали, как бы выглядела их работа с ИИ-фильтром. В реальной жизни знание о том, что снимок уже прошёл проверку ИИ, может повлиять на решение врача (это называется «автоматизационной предвзятостью»)¹.
• Исключение спорных случаев. Из анализа исключались снимки, по которым мнения врачей расходились¹. А ведь именно такие неоднозначные случаи — самые сложные для диагностики, и именно на них чаще всего ошибаются и люди, и машины. Например, по ВМД было исключено до 11,6% всех случаев¹. Результаты на «чистых», согласованных данных могут выглядеть лучше, чем в реальной практике, полной пограничных состояний.
• Исследование в одном центре. Все данные были получены в одной крупной университетской больнице в Южной Корее¹. Результаты могут быть неприменимы к другим странам, этническим группам или клиникам с другим оборудованием и потоком пациентов.
• Конфликт интересов. Исследование частично финансировалось компанией VUNO Inc., которая разработала тестируемый ИИ. Два автора статьи являются сотрудниками этой компании¹. Это не значит, что результаты подтасованы, но о такой связи важно знать. Научные журналы требуют раскрывать подобные факты, чтобы читатели могли сделать собственные выводы.

В целом, это качественное и важное исследование, но его выводы — это не окончательная истина, а скорее пища для размышлений и основа для будущих, уже проспективных и многоцентровых испытаний в реальных условиях.

Что есть в России и что делать читателю?

Технологии искусственного интеллекта в офтальмологии активно развиваются по всему миру, и Россия — не исключение. Уже сегодня в некоторых регионах, например в Москве, действуют пилотные проекты, где ИИ помогает в скрининге диабетической ретинопатии по снимкам глазного дна, сделанным в поликлиниках. Однако это пока не повсеместная практика. Большинство подобных систем находятся на стадии тестирования, внедрения или используются в рамках научных исследований.

Что же делать обычному человеку, который заботится о своём зрении?

1. Не бояться технологий. Если в вашей клинике предлагают обследование с использованием ИИ, не стоит отказываться. Скорее всего, это часть пилотного проекта, где каждый снимок дополнительно перепроверяется человеком. ИИ может стать отличным помощником, который обратит внимание врача на мельчайшие изменения, которые можно пропустить при рутинном осмотре.
2. Помнить, что ИИ — это инструмент, а не врач. Финальный диагноз всегда ставит человек. Он учитывает не только снимок, но и ваши жалобы, историю болезни, данные других обследований. ИИ этого делать не умеет.
3. Не отменять плановые визиты к офтальмологу. Никакой, даже самый умный, алгоритм не заменит регулярных профилактических осмотров. Особенно если вы находитесь в группе риска: у вас диабет, в семье были случаи глаукомы или макулодистрофии, у вас высокая близорукость. Только врач может провести комплексное обследование, измерить внутриглазное давление и дать персональные рекомендации.

Эта новость не означает, что завтра ИИ начнёт массово пропускать болезни. Она говорит о том, что на пути к светлому технологическому будущему есть свои подводные камни. И задача учёных и врачей — научиться их обходить, создавая системы, которые будут не только эффективными, но и максимально безопасными для пациентов.

Частые вопросы

Искусственный интеллект скоро заменит моего офтальмолога? Нет, в обозримом будущем — точно нет. Модель, описанная в исследовании, предполагает использование ИИ как помощника для сортировки, а не как самостоятельного диагноста. Окончательное решение всегда остаётся за врачом, который может оценить всю клиническую картину в комплексе.

Что если ИИ ошибётся и пропустит мою болезнь? Это главный риск, который выявило исследование. Для диабетической ретинопатии и ВМД такая вероятность существует, хотя и невелика¹. Именно поэтому учёные подчёркивают, что внедрять такие системы нужно очень осторожно, подбирая для каждого заболевания свой порог чувствительности и, возможно, вводя дополнительные проверки. В реальной практике на начальных этапах внедрения все «отрицательные» вердикты ИИ, скорее всего, будут выборочно перепроверяться человеком.

Почему ИИ не тестировали на глаукоме или отслойке сетчатки? Авторы использовали коммерческую систему ИИ, которая была официально одобрена в Корее для выявления именно этих трёх заболеваний: ДР, ОВС и ВМД¹. Соответственно, они оценивали её работу в рамках заявленных производителем возможностей. Существуют и другие алгоритмы для диагностики глаукомы и прочих патологий, но они не были предметом этого конкретного исследования.

Значит ли это, что скрининг с ИИ хуже, чем без него? Не обязательно. Система с ИИ показала себя по-разному для разных болезней. Для окклюзии вен сетчатки она работала отлично. Для ВМД и ДР — снижала чувствительность, но при этом могла повышать точность в целом за счёт уменьшения ложноположительных диагнозов (хотя в данном исследовании рост специфичности не был статистически значим)¹. Всё зависит от баланса. В условиях тотальной нехватки врачей скрининг с небольшим риском пропуска может быть лучше, чем отсутствие скрининга вообще.

Что такое чувствительность и специфичность простыми словами? Представьте, что у вас есть сеть для ловли рыбы. Чувствительность — это насколько хорошо ваша сеть ловит именно ту рыбу, которая вам нужна (например, карпов). Если сеть ловит почти всех карпов, у неё высокая чувствительность. Если много карпов проскальзывает через ячейки — низкая. Специфичность — это насколько хорошо ваша сеть не ловит другую рыбу (например, щук). Если в сеть попадают только карпы, а все щуки проплывают мимо, у неё высокая специфичность. Если она загребает всё подряд — низкая. В медицине «карпы» — это больные, а «щуки» — здоровые.

Наш вывод

Искусственный интеллект в роли «сортировщика» снимков глазного дна — это очень перспективная технология, которая может кардинально снизить рутинную нагрузку на офтальмологов и высвободить их время для более сложных задач. Исследование корейских учёных наглядно это демонстрирует: в некоторых случаях врачу нужно будет смотреть лишь небольшую часть от первоначального потока изображений¹.

Однако за эту эффективность приходится платить. Для таких заболеваний, как диабетическая ретинопатия и возрастная макулярная дегенерация, существует небольшой, но реальный риск пропустить ранние стадии болезни. Система «ИИ-фильтр + врач» оказалась чуть менее чувствительной, чем один только врач¹.

Это значит, что путь к широкому внедрению ИИ в офтальмологию лежит через тщательную настройку и разработку специфических стратегий для каждого заболевания. Где-то можно смело доверять ИИ отсеивать «здоровых», а где-то потребуется двойной контроль или более строгие настройки самого алгоритма.

Для пациентов же главный вывод остаётся неизменным: технологии — это прекрасно, но они не отменяют необходимости в живом, опытном враче и регулярных профилактических осмотрах. Ваше зрение — слишком ценный дар, чтобы доверять его исключительно алгоритмам.

---¹ Park D, Oh R, Baek J, Bae K. Evaluating an AI-assisted triage workflow for retinal diseases. PLOS digital health, 2026-09-15. DOI: 10,1371/journal.pdig.0001700.