Выбор современного метода обработки цифровых и текстовых данных в области медицины, в частности патологии хрусталика и афакии
https://doi.org/10.51523/2708-6011.2024-21-4-18
Аннотация
В статье приводятся основные данные о возможности использования искусственного интеллекта при хирургии катаракты. В основу анализа положено более 150 источников, опубликованных за последние 10 лет, относящиеся к теме катарактальной хирургии и искусственного интеллекта в медицине, в частности хирургии афакии. Использованы научно-медицинские базы данных PubMed, Google Scholar, Springer и eLibrary.ru. Для углубленного изучения были отобраны 24 статьи.
Ключевые слова
искусственный интеллект,
машинное обучение,
нейронные сети,
машина опорных векторов,
катаракта,
афакия,
макула
При поддержке: Исследование проведено без спонсорской поддержки.
Об авторах
В. Л. Красильникова
Институт повышения квалификации и переподготовки кадров здравоохранения
Белорусского государственного медицинского университета
Беларусь
Беларусь
Красильникова Виктория Леонидовна, д.м.н., профессор, профессор кафедры офтальмологии
г. Минск
О. Н. Дудич
Институт повышения квалификации и переподготовки кадров здравоохранения
Белорусского государственного медицинского университета
Беларусь
Беларусь
Дудич Оксана Николаевна, к.м.н., доцент, доцент кафедры офтальмологии
г. Минск
С. М. Гридюшко
Гомельская областная специализированная клиническая больница
Беларусь
Беларусь
Гридюшко Сергей Михайлович, врач-офтальмолог отделения микрохирургии глаза № 2
г. Гомель
Список литературы
1. Петров С.Ю., Козлова И.В., Полева Р.П. Катаракта: современный взгляд на консервативные подходы к лечению. Клиническая офтальмология. 2019;19(4):206-210.
2. Киселева Т.Н., Оганесян О.Г., Романова Л.И. и др. Оптическая биометрия глаза: принцип и диагностические возможности метода. Российская педиатрическая офтальмология. 2017;12(1):35-42. DOI: https://doi.org/10.18821/1993-1859-2017-12-1-35-42
3. Куликов А.Н., Кокарева Е.В., Котова Н.А. Сравнение результатов биометрии глаза при использовании различных приборов. Тихоокеанский медицинский журнал. 2017;2(68):53-54. DOI: https://doi.org/10.17238/PmJ16091175.2017.2.53–55
4. Маковкин Е.М. Клиническое значение величины отклонения зрительной оси глазного яблока от его анатомической оси. Вестник ВолГМУ. 2008;1(25):77-79.
5. Sidey-Gibbons JAM, Sidey-Gibbons CJ. Machine learning in medicine: a practical introduction. BMC Med Res Methodol. 2019;19(1):1-18. DOI: https://doi.org/10.1186/s12874-019-0681-4
6. Guidance for industry:Electronic source data in clinical investigations, 2013. [Electronic resource]. [accessed 2024 Sep 2]. Available from: https://rx-360.org/wp-content/uploads/2018/08/Guidance-Electronic-Source-Data-in-ClinicalInvestigations_2013.pdf
7. Murdoch TB, Detsky AS. The inevitable application of big data to health care. JAMA. 2013. DOI: https://doi.org/10.1001/jama.2013.393
8. Baxt WG. Use of an artificial neural network for the diagnosis of myocardial infarction. Ann Intern Med. 1991;115(11):843-848. DOI: https://doi.org/10.7326/0003-4819-115-11-843
9. Maclin PS, Dempsey J, Brooks J, Rand J. Using neural networks to diagnose cancer. J Med Syst. 1991;15(1):11-19. DOI: https://doi.org/10.1007/BF00993877
10. Gardner GG, Keating D, Williamson TH, Elliott AT. Automatic detection of diabetic retinopathy using an artificial neural network: a screening tool. Br J Ophthalmol. 1996;11:940- 944. DOI: https://doi.org/10.1136/bjo.80.11.940
11. LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521:436-444. DOI: https://doi.org/10.1038/nature14539
12. Bali J, Kant A, editors. Basics of Biostatistics: A Manual for the Medical Practitioners. 1nd ed. New Delhi: Jaypee Brothers Medical Publishers; 2017. 556 p.
13. Parsian M, editor. Data Algorithms. Sebastopol, CA: O’Reilly Media, Inc.; 2015. 778 p.
14. Ma Y, Guo G, editors. Support Vector Machines Applications. New York: Springer; 2014. 302 p.
15. Patel V, Shortliffe E, Stefanelli M, Szolovits P, Berthold M, Bellazzi R, et al. The coming of age of artificial intelligence in medicine. Artif Intell Med. 2009;46:5-17. DOI: https://doi.org/10.1016/j.artmed.2008.07.017
16. Shahid N, Rappon T, Berta W. Applications of artificial neural networks in health care organizational decision-making: A scoping review. PLoS One. 2019;14(2):1-22. DOI: https://doi.org/10.1371/journal.pone.0212356
17. Ladas JG, Siddiqui AA, Devgan U, Jun AS. A 3-D ‘Super Surface’ combining modern intraocular lens formulas to generate a ‘super formula’ and maximize accuracy. JAMA Ophthalmol. 2015;133(12):1431-6. DOI: https://doi.org/10.1001/jamaophthalmol.2015.3832
18. Lietman T, Eng J, Katz J, Quigley HA. Neural networks for visual field analysis: How do they compare with other algorithms. J Glaucoma. 1999;8:77-80.
19. Li F, Wang Z, Qu G, Song D, Yuan Y, Xu Y, et al. Automatic differentiation of glaucoma visual field from nonglaucoma visual field using deep convolutional neural network. BMC Med Imaging. 2018;35(18):1-7. DOI:https://doi.org/10.1186/s12880-018-0273-5
20. Yousefi S, Kiwaki T, Zheng Y, Sugiura H, Asaoka R, Murata H, et al. Detection of longitudinal visual field progression in glaucoma using machine learning. Am J Ophthalmol. 2018;193:71-79. DOI: https://doi.org/10.1016/j.ajo.2018.06.007
21. Wen JC, Lee CS, Keane PA, Xiao S, Rokem AS, Chen PP, et al. Forecasting future Humphrey visual fields using deep learning. PLoS One. 2019;14(2):1-14. DOI: https://doi.org/10.1371/journal.pone.0214875
22. Mardin CY, Peters A, Horn F, Jünemann AG, Lausen B. Improving glaucoma diagnosis by the combination of perimetry and HRT measurements. J Glaucoma. 2006;15(4):299-305. DOI: https://doi.org/10.1097/01.ijg.0000212232.03664.ee
23. Burdon KP, Mitchell P, Lee A, Healey PR, White AJ, Rochtchina E, et al. Association of open-angle glaucoma loci with incident glaucoma in the Blue Mountains eye study. Am J Ophthalmol. 2015;159:31-36. DOI: https://doi.org/10.1016/j.ajo.2014.09.020
24. Bali J, Garg R, Bali R. Artificial intelligence (AI) in healthcare and biomedical research: Why a strong computational/ AI bioethics framework is required. Indian J Ophthalmol. 2019;67:3-6. DOI: https://doi.org/10.4103/ijo.IJO_1292_18
Рецензия
Для цитирования:
Красильникова В.Л., Дудич О.Н., Гридюшко С.М. Выбор современного метода обработки цифровых и текстовых данных в области медицины, в частности патологии хрусталика и афакии. Проблемы здоровья и экологии. 2024;21(4):167-174. https://doi.org/10.51523/2708-6011.2024-21-4-18
For citation:
Krasilnikova V.L., Dudich O.N., Gridjushko S.M. The choice of modern methods for processing digital and text data in the field of medicine, particularly in lens pathology and aphakia. Health and Ecology Issues. 2024;21(4):167-174. (In Russ.) https://doi.org/10.51523/2708-6011.2024-21-4-18
Просмотров: 160
Послать статью по эл. почте 