Архів офтальмології та щелепно-лицевої хірургії України Том 1, №2, 2024

За даними дослідження BDES (The Beaver Dam Eye Study), поширеність запущеної форми вікової макулярної дегенерації (ВМД) сягає 1,6 % серед пацієнтів вікової групи від 43 до 86 років. У цьому контексті автоматизація процесу діагностики, забезпечена використанням штучного інтелекту (ШІ) та машинного навчання, є перспективним напрямком. Ця робота досліджує потенціал моделей ШІ для аналізу зображень очного дна з метою детекції друз при ВМД. Мета роботи: дослідити можливість та ефективність використання ШІ, зокрема моделі YOLOv10, для аналізу зображень із фундус-камери з метою діагностики ВМД. Матеріали та методи. Аналіз виконано на 200 зображеннях очного дна з відкритого датасету RFMiD. Модель YOLOv10 була адаптована для виявлення друз і змін, характерних для ВМД. Результати. Модель YOLOv10 продемонструвала високу точність і специфічність при виявленні друз і дегенеративних змін, таких як пігментні порушення та географічна атрофія. У роботі наведено статистичні показники ефективності моделі. Висновки. Застосування YOLOv10 у діагностиці ВМД відкриває нові можливості для автоматизації та підвищення точності діагностики, що є перспективним напрямком для впровадження в офтальмологічну практику.

Background. According to the Beaver Dam Eye Study, the prevalence of advanced age-related macular degeneration (AMD) reaches 1.6 % among patients aged 43 to 86 years. In this context, automating the diagnostic process through the use of artificial intelligence (AI) and machine learning is a promising avenue. This study explores the potential of AI models for analyzing fundus images to detect drusen in AMD. The purpose was to investigate the feasibility and effectiveness of using artificial intelligence, specifically the YOLOv10 model, to analyze fundus camera images for AMD diagnosis. Materials and methods. The study was conducted on 200 fundus images from the publicly available RFMiD dataset. The YOLOv10 model was adapted to detect drusen and changes characteristic of AMD. Results. The YOLOv10 model demonstrated high accuracy and specificity in detecting drusen and degenerative changes, such as pigmentary abnormalities and geographic atrophy. The study provides statistical performance metrics of the model. Conclusions. The application of YOLOv10 in AMD diagnosis opens new possibilities for automation and improved diagnostic accuracy, representing a promising direction for implementation in ophthalmic practice.

вікова макулярна дегенерація; штучний інтелект; YOLOv10; автоматизована діагностика; друзи

age-related macular degeneration; artificial intelligence; YOLOv10; automated diagnostics; drusen

1. Chew EY. The landmark Beaver Dam eye study ushered in modern epidemiologic research in age-related macular degeneration. Ophthalmology. 2020;127(4 Suppl).
2. Panchal S, Nagadia R, Patel D, et al. Retinal Fundus Multi-Disease Image Dataset (RFMiD) 2.0: a dataset of frequently and rarely identified diseases. Data. 2023;8(2):29.
3. Diwan T, Anirudh G, Tembhurne JV. Object detection using YOLO: challenges, architectural successors, datasets, and applications. Multimed Tools Appl. 2023;82(6):9243-75.
4. Sakurada Y, Tanaka K, Fragiotta S. Differentiating drusen and drusenoid deposits subtypes on multimodal imaging and risk of advanced age-related macular degeneration. Jpn J Ophthalmol. 2023;67(1):1-13.
5. Kumar A, Dhanalakshmi R. EYE-YOLO: a multi-spatial pyramid pooling and Focal-EIOU loss inspired tiny YOLOv7 for fundus eye disease detection. Int J Intell Comput Cybern. 2024.