COMPARISON OF ARTIFICIAL INTELLIGENCE SYSTEMS FOR THE SCREENING OF DIABETIC RETINOPATHY. A REVIEW

Вітовська, О. П., Васильєва, Л. С., & Семеген, М. М. (2026). ПОРІВНЯННЯ СИСТЕМ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ СКРИНІНГУ ДІАБЕТИЧНОЇ РЕТИНОПАТІЇ. ОГЛЯД. Клінічна та профілактична медицина, (1), 178-184. https://doi.org/10.31612/2616-4868.1.2026.21

Анотація

Вступ. Діабетична ретинопатія – це очне захворювання, що зустрічається приблизно у 30% пацієнтів із цукровим діабетом і становить загрозу для зору. Тому, безперечно, раннє виявлення та лікування діабетичної ретинопатії має першорядне значення для попередження незворотної сліпоти. Впровадження алгоритмів штучного інтелекту може бути ефективним інструментом для скринінгу діабетичної ретинопатії.

Мета. Порівняти системи штучного інтелекту, що використовуються для виявлення пацієнтів з діабетичною ретинопатією.

Матеріали та методи. Бібліографічний аналіз публікацій у базі даних PubMed/MEDLINE з використанням результатів пошуку «штучний інтелект», «штучний інтелект в офтальмології», «штучний інтелект та діабетична ретинопатія» за період з 2016 по 2025 рік. Було порівняно п’ять найпоширеніших систем штучного інтелекту, що використовуються для скринінгу діабетичної ретинопатії, а саме Idx-DR, EyeART, SELENA+, Medios AI, Google AI.

Результати. Згідно з літературними даними, всі порівнювані системи продемонстрували високі показники чутливості та специфічності. Два алгоритми (Idx-DR та EyeART) мають схвалення FDA, тоді як SELENA+ сертифікована для використання в Європі. Кількість зображень очного дна, які потрібно завантажити для аналізу, відрізняється між системами та коливається від двох до чотирьох. Крім того, різні алгоритми вимагають різного типу обладнання для отримання зображень очного дна, включаючи портативні камери на базі смартфонів та цифрові камери для сканування очного дна.

Висновки. Переважна більшість систем штучного інтелекту мають високу чутливість та специфічність, що може допомогти збільшити кількість пацієнтів з діабетичною ретинопатією, виявлених на ранній стадії. Однак багато аспектів, включаючи етичні та правові, повинні бути врегульовані для забезпечення безпеки персональних даних пацієнтів та достовірності отриманих результатів.

https://doi.org/10.31612/2616-4868.1.2026.21

ARTICLE PDF

Посилання

Anton, N., Doroftei, B., Curteanu, S., Catãlin, L., Ilie, O. D., Târcoveanu, F., & Bogdănici, C. M. (2022). Comprehensive Review on the Use of Artificial Intelligence in Ophthalmology and Future Research Directions. Diagnostics (Basel, Switzerland), 13(1), 100. https://doi.org/10.3390/diagnostics13010100

Srivastava, O., Tennant, M., Grewal, P., Rubin, U., & Seamone, M. (2023). Artificial intelligence and machine learning in ophthalmology: A review. Indian journal of ophthalmology, 71(1), 11–17. https://doi.org/10.4103/ijo.IJO_1569_22

Sheng, B., Chen, X., Li, T., Ma, T., Yang, Y., Bi, L., & Zhang, X. (2022). An overview of artificial intelligence in diabetic retinopathy and other ocular diseases. Frontiers in public health, 10, 971943. https://doi.org/10.3389/fpubh.2022.971943

GBD 2021 Diabetes Collaborators (2023). Global, regional, and national burden of diabetes from 1990 to 2021, with projections of prevalence to 2050: a systematic analysis for the Global Burden of Disease Study 2021. Lancet (London, England), 402(10397), 203–234. https://doi.org/10.1016/S0140-6736(23)01301-6

Huang, X., Wang, H., She, C., Feng, J., Liu, X., Hu, X., Chen, L., & Tao, Y. (2022). Artificial intelligence promotes the diagnosis and screening of diabetic retinopathy. Frontiers in endocrinology, 13, 946915. https://doi.org/10.3389/fendo.2022.946915

Kong, M., & Song, S. J. (2024). Artificial Intelligence Applications in Diabetic Retinopathy: What We Have Now and What to Expect in the Future. Endocrinology and metabolism (Seoul, Korea), 39(3), 416–424. https://doi.org/10.3803/EnM.2023.1913

Teo, Z. L., Tham, Y. C., Yu, M., Chee, M. L., Rim, T. H., Cheung, N., Bikbov, M. M., Wang, Y. X., Tang, Y., Lu, Y., Wong, I. Y., Ting, D. S. W., Tan, G. S. W., Jonas, J. B., Sabanayagam, C., Wong, T. Y., & Cheng, C. Y. (2021). Global Prevalence of Diabetic Retinopathy and Projection of Burden through 2045: Systematic Review and Meta-analysis. Ophthalmology, 128(11), 1580–1591. https://doi.org/10.1016/j.ophtha.2021.04.027

Vujosevic, S., Limoli, C., & Nucci, P. (2024). Novel artificial intelligence for diabetic retinopathy and diabetic macular edema: what is new in 2024?. Current opinion in ophthalmology, 35(6), 472–479. https://doi.org/10.1097/ICU.0000000000001084

Gulshan, V., Peng, L., Coram, M., Stumpe, M. C., Wu, D., Narayanaswamy, A., Venugopalan, S., Widner, K., Madams, T., Cuadros, J., Kim, R., Raman, R., Nelson, P. C., Mega, J. L., & Webster, D. R. (2016). Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA, 316(22), 2402–2410. https://doi.org/10.1001/jama.2016.17216

van der Heijden, A. A., Abramoff, M. D., Verbraak, F., van Hecke, M. V., Liem, A., & Nijpels, G. (2018). Validation of automated screening for referable diabetic retinopathy with the IDx-DR device in the Hoorn Diabetes Care System. Acta ophthalmologica, 96(1), 63–68. https://doi.org/10.1111/aos.13613

Sosale, B., Sosale, A. R., Murthy, H., Sengupta, S., & Naveenam, M. (2020). Medios- An offline, smartphone-based artificial intelligence algorithm for the diagnosis of diabetic retinopathy. Indian journal of ophthalmology, 68(2), 391–395. https://doi.org/10.4103/ijo.IJO_1203_19

De Novo Summary (DEN180001)

Grzybowski, A., Brona, P., Lim, G., Ruamviboonsuk, P., Tan, G. S. W., Abramoff, M., & Ting, D. S. W. (2020). Artificial intelligence for diabetic retinopathy screening: a review. Eye (London, England), 34(3), 451–460. https://doi.org/10.1038/s41433-019-0566-0

Ipp, E., Liljenquist, D., Bode, B., Shah, V. N., Silverstein, S., Regillo, C. D., Lim, J. I., Sadda, S., Domalpally, A., Gray, G., Bhaskaranand, M., Ramachandra, C., Solanki, K., & EyeArt Study Group (2021). Pivotal Evaluation of an Artificial Intelligence System for Autonomous Detection of Referrable and Vision-Threatening Diabetic Retinopathy. JAMA network open, 4(11), e2134254. https://doi.org/10.1001/jamanetworkopen.2021.34254

Lim, J. I., Regillo, C. D., Sadda, S. R., Ipp, E., Bhaskaranand, M., Ramachandra, C., & Solanki, K. (2022). Artificial Intelligence Detection of Diabetic Retinopathy: Subgroup Comparison of the EyeArt System with Ophthalmologists' Dilated Examinations. Ophthalmology science, 3(1), 100228. https://doi.org/10.1016/j.xops.2022.100228

Rajesh, A. E., Davidson, O. Q., Lee, C. S., & Lee, A. Y. (2023). Artificial Intelligence and Diabetic Retinopathy: AI Framework, Prospective Studies, Head-to-head Validation, and Cost-effectiveness. Diabetes care, 46(10), 1728–1739. https://doi.org/10.2337/dci23-0032

Lupidi, M., Danieli, L., Fruttini, D., Nicolai, M., Lassandro, N., Chhablani, J., & Mariotti, C. (2023). Artificial intelligence in diabetic retinopathy screening: clinical assessment using handheld fundus camera in a real-life setting. Acta diabetologica, 60(8), 1083–1088. https://doi.org/10.1007/s00592-023-02104-0

Grzybowski, A., Rao, D. P., Brona, P., Negiloni, K., Krzywicki, T., & Savoy, F. M. (2023). Diagnostic Accuracy of Automated Diabetic Retinopathy Image Assessment Softwares: IDx-DR and Medios Artificial Intelligence. Ophthalmic research, 66(1), 1286–1292. https://doi.org/10.1159/000534098

Savoy M. (2020). IDx-DR for Diabetic Retinopathy Screening. American family physician, 101(5), 307–308.

Rao, D. P., Sindal, M. D., Sengupta, S., Baskaran, P., Venkatesh, R., Sivaraman, A., & Savoy, F. M. (2022). Towards a Device Agnostic AI for Diabetic Retinopathy Screening: An External Validation Study. Clinical ophthalmology (Auckland, N.Z.), 16, 2659–2667. https://doi.org/10.2147/OPTH.S369675

Nakayama, L. F., Gonçalves, M. B., Ferraz, D. A., Santos, H. N. V., Malerbi, F. K., Morales, P. H., Maia, M., Regatier, C. V. S., & Belfort, R., Jr (2021). The Challenge of Diabetic Retinopathy Standardization in an Ophthalmological Dataset. Journal of diabetes science and technology, 15(6), 1410–1411. https://doi.org/10.1177/19322968211029943

Abràmoff, M. D., Tobey, D., & Char, D. S. (2020). Lessons Learned About Autonomous AI: Finding a Safe, Efficacious, and Ethical Path Through the Development Process. American journal of ophthalmology, 214, 134–142. https://doi.org/10.1016/j.ajo.2020.02.022

Tan, T. E., & Wong, T. Y. (2023). Diabetic retinopathy: Looking forward to 2030. Frontiers in endocrinology, 13, 1077669. https://doi.org/10.3389/fendo.2022.1077669

Crew, A., Reidy, C., van der Westhuizen, H. M., & Graham, M. (2025). A Narrative Review of Ethical Issues in the Use of Artificial Intelligence Enabled Diagnostics for Diabetic Retinopathy. Journal of evaluation in clinical practice, 31(6), e14237. https://doi.org/10.1111/jep.14237

Ursin, F., Timmermann, C., Orzechowski, M., & Steger, F. (2021). Diagnosing Diabetic Retinopathy With Artificial Intelligence: What Information Should Be Included to Ensure Ethical Informed Consent?. Frontiers in medicine, 8, 695217. https://doi.org/10.3389/fmed.2021.695217

Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.

ПОРІВНЯННЯ СИСТЕМ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ СКРИНІНГУ ДІАБЕТИЧНОЇ РЕТИНОПАТІЇ. ОГЛЯД

Ключові слова

Як цитувати

Завантажити посилання

Анотація

Посилання