ПРОГНОЗИРОВАНИЕ КАТАРАКТЫ НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ

Анастасия Алексеевна Шорохова, Диана Руслановна Шмарова, Илья Максимович Федосеев et al. · cyberleninka.ru · 2026

В последнее десятилетие методы искусственного интеллекта демонстрируют высокий потенциал в медицинской визуализации, показывая результаты, сопоставимые с экспертной оценкой человека. Машинное обучение представляет собой совокупность алгоритмов, позволяющих компьютерным системам автоматически улучшать свои показатели на основе опыта или данных без явного программирования. Цель исследования – оценка эффективности методов машинного обучения и нейросетевого моделирования для диагностики катаракты и классификации степени её тяжести. Материалы и методы исследования. Проведен ретроспективный анализ 113 519 изображений глазного дна и переднего отрезка глаза. Для классификации использовалась сверточная нейронная сеть на базе архитектуры ResNet. Эффективность модели оценивалась по метрикам точности, чувствительности, специфичности и площади под ROC-кривой (AUC). Результаты и обсуждение. Модель глубокого обучения продемонстрировала высокую диагностическую точность (AUC до 0,999) при классификации по шкале LOCS III. Чувствительность алгоритма составила 92,1–98,8 %, специфичность – 89,4-99,0 %, что сопоставимо или превосходит показатели экспертов-офтальмологов. Заключение. Применение методов машинного обучения позволяет оптимизировать скрининг катаракты и объективизировать оценку степени тяжести заболевания. Интеграция объяснимого ИИ повышает доверие со стороны клинического сообщества.

Cited by 0 works. doi:10.24412/1609-2163-2026-2-122-125

Authors