ГЛАУКОМАНИ ЭРТА ТАШХИСЛАШ ВА КАСАЛЛИК ПРОГРЕССИЯСИНИ БАҲОЛАШДА СУНЪИЙ ИНТЕЛЛЕКТ ТЕХНОЛОГИЯЛАРИНИНГ ЗАМОНАВИЙ ИМКОНИЯТЛАРИ
Keywords:
Калит сўзлар: глаукома, сунъий интеллект, оптик когерент томография, OСT, OСTA, RNFL, кўрув майдони, скрининг, прогрессия.Abstract
АННОТАЦИЯ
Глаукома қайтарилмас кўрликнинг асосий сабабларидан бири бўлиб,
касалликни эрта аниқлаш ва прогрессия тезлигини баҳолаш беморда кўриш
функцияларини сақлаб қолишнинг муҳим шарти ҳисобланади. Сўнгги йилларда
сунъий интеллект технологияларининг ривожланиши кўз туби тасвирлари,
оптик когерент томография (OСT), ангиография билан оптик когерент
томография (OСTА) ва компьютер периметрия маълумотларини автоматик
таҳлил қилиш имкониятларини сезиларли даражада кенгайтирди. Мақолада чоп
этилган илмий тадқиқотлар асосида глаукомани скрининг қилиш, эрта
ташхислаш, структур ва функционал прогрессияни аниқлаш ҳамда келажакдаги
касаллик ривожланишини прогнозлашда сунъий интеллект технологияларининг
имкониятлари таҳлил қилинган. Замонавий алгоритмлар айрим тадқиқотларда
глаукомани аниқлашда AUC 0,94–0,99 гача, касаллик прогрессиясини
прогнозлашда эса AUC 0,81–0,92 атрофида натижалар кўрсатаётгани
аниқланган. Шу билан бирга, алгоритмларнинг бошқа популяцияларда
ишончлилиги, маълумотлар базасининг репрезентативлиги ва клиник валидация
масалалари ҳали ҳам долзарб бўлиб қолмоқда.
References
Фойдаланилган адабиётлар рўйхати:
1. Mursch-Edlmayr A.S., Ng W.S., Diniz-Filho A., et al. Artificial Intelligence
Algorithms to Diagnose Glaucoma and Detect Glaucoma Progression:
Translation to Clinical Practice. Transl Vis Sci Technol. 2020;9(2):55. DOI:
10.1167/tvst.9.2.55. PMID: 33117612.
2. Hemelings R., Elen B., Barbosa-Breda J., et al. Deep learning on fundus images
detects glaucoma beyond the optic disc. Sci Rep. 2021;11:20313. DOI:
10.1038/s41598-021-99605-1. PMID: 34645908.
3. Ajitha S., Akkara J.D., Judy M.V. Identification of glaucoma from fundus images
using deep learning techniques. Indian J Ophthalmol. 2021;69(10):2702–2709.
DOI: 10.4103/ijo.IJO_92_21. PMID: 34571619.
4. Atalay E., et al. Investigation of the Role of Convolutional Neural Network
Architectures in the Diagnosis of Glaucoma using Color Fundus Photography.
Turk J Ophthalmol. 2022. PMID: 35770344.
5. Hemelings R., Elen B., Schuster A.K., et al. A generalizable deep learning
regression model for automated glaucoma screening from fundus images. npj
Digit Med. 2023;6:112. DOI: 10.1038/s41746-023-00857-0. PMID: 37311940.
6. De Vente C., et al. AIROGS: Artificial Intelligence for Robust Glaucoma
Screening Challenge. 2023. PMID: 37713220.
7. Ran A.R., Tham C.C., Chan P.P., et al. Deep learning in glaucoma with optical
coherence tomography: a review. Eye (Lond). 2021;35(1):188–201. DOI:
10.1038/s41433-020-01191-5. PMID: 33028972.
8. Development and Validation of a Deep Learning System for Diagnosing
Glaucoma Using Optical Coherence Tomography. PMID: 32659918.
9. Deep Learning-based Diagnosis of Glaucoma Using Wide-field Optical
Coherence Tomography Images. 2021. PMID: 33979115.
10. Mariottoni E.B., Datta S., Shigueoka L.S., et al. Deep Learning-Assisted
Detection of Glaucoma Progression in Spectral-Domain OCT. Ophthalmol
Glaucoma. 2023;6(3):228–238. DOI: 10.1016/j.ogla.2022.11.004. PMID:
36410708.
11. Mandal S., Jammal A.A., Malek D., Medeiros F.A. Progression or Aging? A Deep
Learning Approach for Distinguishing Glaucoma Progression From Age-Related
Changes in OCT Scans. Am J Ophthalmol. 2024;266:46–55. DOI:
10.1016/j.ajo.2024.04.030. PMID: 38703802.
12. Mohammadzadeh V., Liang Y., Moghimi S., et al. Detection of glaucoma
progression on longitudinal series of en-face macular optical coherence
tomography angiography images with a deep learning model. Br J Ophthalmol.
2024;108(12):1688–1693. DOI: 10.1136/bjo-2023-324528. PMID: 39117359.
13. Mohammadzadeh V., Wu S., Besharati S., et al. Prediction of Visual Field
Progression with Baseline and Longitudinal Structural Measurements Using Deep
Learning. Am J Ophthalmol. 2024;262:141–152. DOI:
10.1016/j.ajo.2024.02.007. PMID: 38354971.
14. Yang W.Y.L., Wong H.J., Fu C.E., et al. Artificial intelligence in the prediction
of glaucoma development and progression: A systematic review. Surv
Ophthalmol. 2026;71(1):235–247. DOI: 10.1016/j.survophthal.2025.06.006.
PMID: 40541841.
15. Madadi Y., Raja H., Vermeer K.A., et al. JustRAIGS: Justified Referral in AI
Glaucoma Screening Challenge. IEEE Trans Med Imaging. 2026;45(1):320–335.
DOI: 10.1109/TMI.2025.3596874. PMID: 40773411.
16. Huang J., Galal G., Mukhin V., Etemadi M., Tanna A.P. Prediction and Detection
of Glaucomatous Visual Field Progression Using Deep Learning on Macular
Optical Coherence Tomography. J Glaucoma. 2024;33(4):246–253. DOI:
10.1097/IJG.0000000000002359. PMID: 38245813.
17. Mohammadzadeh V., Wu S., Davis T., et al. Prediction of visual field progression
with serial optic disc photographs using deep learning. Br J Ophthalmol.
2024;108(8):1107–1113. DOI: 10.1136/bjo-2023-324277. PMID: 37833037.
18. Lan C.H., Chiu T.H., Yen W.T., Lu D.W. Artificial Intelligence in Glaucoma:
Advances in Diagnosis, Progression Forecasting, and Surgical Outcome
Prediction. Int J Mol Sci. 2025;26(10):4473. DOI: 10.3390/ijms26104473. PMID:
40429619
