Year: 2020
Type: article
Abstract: Amžinė geltonosios dėmės degeracija yra viena iš pirmaujančių aklumo priežaščių pasaulyje. Pagerėjus vaizdinių tyrimų taikymui ir atsiradus neovaskulinės formos gydymui su kraujagyslių endotelio augimo faktorių inhibitoriais, aklumą galima pavėlinti ar jo net išvengti. Tačiau, siekiant tai įgyvendinti, reikalingas dažnas sekimas ir patikra, pritaikant optinę koherentinę tomografiją (OKT). Detalus šio tyrimo aprašymas užtrunka net ir patyrusiam specialistui, tad, didėjant OKT vaizdų kiekiui, neišvengiamai didėja ir specialistų darbo krūvis. Dirbtinio intelekto technologijų pritaikymas vaizdų analizei galėtų sumažinti darbo krūvi ir pagerinti sveikatos priežiūros paslaugų kokybę. Šias technologijas aktyviai bandoma pritaikyti dermatologijoje, patologijoje, radiologijoje, taip pat ir oftalmologijoje – srityse, kuriose vaizdiniai tyrimai naudojami diagnozei pagrįsti. Pagrindinis taikomas metodas yra gilieji konvoliuciniai neuroniniai tinklai, kurių struktūra paremta daugeliu sujungtų sluoksnių, kurie yra sudaryti neuronų principu. Šie modeliai, klasifikuodami vaizdus, gali pasiekti ar net viršyti žmonių tikslumą. Tokių sistemų kūrimui reikalingas glaudus bendradarbiavimas tarp algoritmų kūrime dirbančių informacinių technologijų specialistų bei gydytojų. Todėl yra reikalingas bendras suvokimas, kaip yra kuriami ir vertinami dirbtinio intelekto algoritmai. Taigi, šiame straipsnyje apžvelgiamos bendrosios dirbtinio intelekto kūrimo ir vertinimo strategijos, taip pat metodai, kurie buvo taikomi siekiant sukurti konvoliucinių neuroninių tinklų algoritmus, amžinės geltonosios dėmės degeneracijos klasifikacijai iš optinės koherentinės tomografijos vaizdų.
Language: Lithuanian
Topic: Retinal Imaging and Analysis
Subfield: Radiology, Nuclear Medicine and Imaging
Field: Medicine
Domain: Health Sciences
Open Access status: green
OpenAlex ID: W7132609046
