Прототип системы удаленного автоматизированного скрининга диабетической ретинопатии

В статье представлены результаты разработки и тестирования прототипа автоматизированной системы удаленного скрининга диабетической ретинопатии (ДР) с функциями предобработки и классификации цифровых изображений, полученных фундус-камерами разных производителей. Экспериментальное тестирование прототипа выполнено на нескольких тысячах реальных изображений из белорусских медицинских учреждений и открытых источников. Объективная оценка качества изображения сетчатки вычисляется посредством анализа центрального фрагмента на базе параметра масштаба распределения Вейбулла для локальных оценок качества зеленого канала изображения. Прототип разработан на платформе Streamlit, использует нейросетевые архитектуры YOLOv8 и YOLOv11 для классификации пяти стадий ДР, точность классификации составила 84,0 % и 82,7 % соответственно. Комбинация фильтрации некачественных снимков и нейросетевой классификации повышает достоверность скрининговой диагностики и может быть использована в телемедицинских системах, имеющих ограниченные вычислительные ресурсы.

1. Скрининг на диабетическую ретинопатию: краткое руководство : повышение эффективности, максимальное увеличение пользы и минимизация вреда / Всемирная организация здравоохранения. Европейское региональное бюро. Копенгаген, 2021. 95 c. URL: https://iris.who.int/handle/10665/340770 (дата обращения: 10.04.2026).

2. Causes of blindness and vision impairment in 2020 and trends over 30 years, and prevalence of avoidable blindness in relation to VISION 2020: the Right to Sight: an analysis for the Global Burden of Disease Study Steinmetz / GBD 2019 Blindness and Vision Impairment Collaborators; Vision Loss Expert Group of the Global Burden of Disease Study // The Lancet Global Health. Vol. 9, № 2. P. e144–e160.

3. Сколько пациентов с сахарным диабетом находятся под меднаблюдением в Беларуси, рассказала эндокринолог // БЕЛТА. URL: https://belta.by/society/view/skolko-patsientov-s-saharnym-diabetom-nahodjatsja-pod-mednabljudeniem-v-belarusi-rasskazala-746976-2025/. Дата публ.: 04.11.2025.

4. Лукашевич, М. М. Классификация стадий диабетической ретинопатии на основе нейронных сетей / М. М. Лукашевич, Ю. И. Голуб // Системный анализ и прикладная информатика. 2022. № 3. С. 12–21. DOI: 10.21122/2309-4923-2022-3-12-21.

5. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices / M. D. Abràmoff, P. T. Lavin, M. Birch [et al.] // NPJ digital medicine. 2018. Vol. 1. P. 39. DOI: 10.1038/s41746-018-0040-6.

6. Scanlon, P. H. The English National Screening Programme for diabetic retinopathy 2003–2016 / P. H. Scanlon // Acta diabetologica. 2017. Vol. 54. P. 515–525. DOI: 10.1007/s00592-017-0974-1.

7. Diabetic retinopathy screening: global and local perspective / R. A. Gangwani, J. X. Lian, Sarah M. McGhee [et al.] // Hong Kong Medical Journal. 2016. Vol. 22, № 5. P. 486–495. DOI: 10.12809/hkmj164844.

8. Diagnostic assessment of deep learning algorithms for diabetic retinopathy screening / T. Li, Y. Gao, K. Wang [et al.] // Information Sciences. 2019. Vol. 501. P. 511–522. DOI: 10.1016/j.ins.2019.06.011.

9. Golub, Y. Retinal Image Analysis Approach for Diabetic Retinopathy Grading / Y. Golub, M. Lukashevich, V. Starovoitov // Pattern Recognition and Information Processing. Springer, Cham, 2022. Vol. 1562. P. 152–165. DOI: 10.1007/978-3-030-98883-8_11.

10. Starovoitov, V. A universal retinal image template for automated screening of diabetic retinopathy / V. V. Starovoitov, Yu. I. Golub, M. M. Lukashevich // Pattern Recognition and Image Analysis. 2022. Vol. 32, № 2. P. 322–331. DOI: 10.1134/S1054661822020195.

11. Классификации стадий диабетической ретинопатии на основе алгоритмов машинного обучения и набора признаков / М. М Лукашевич, Ю. И Голуб, В. В. Старовойтов // Информационные системы и технологии = Information Systems and Technologies : материалы междунар. науч. конгресса по информатике, 27–28 окт. 2022 г., Респ. Беларусь, Минск : в 3 ч. / Белорус. гос. ун-т ; редкол.: С. В. Абламейко (гл. ред.) [и др.]. Минск, 2022. Ч. 2. С. 169–176.

12. Голуб, Ю. И. Объективная оценка качества цифровых изображений сетчатки при скрининговом исследовании / Ю. И. Голуб, В. В. Старовойтов // Системный анализ и прикладная информатика. 2025. № 3. С. 47–58. DOI: 10.21122/2309-4923-2025-3-47-58.

13. APTOS 2019 Blindness Detection / Kaggle. 2019. URL: https://www.kaggle.com/c/aptos2019-blindness-detection (date of access: 10.04.2026).

14. Diabetic retinopathy screening through artificial intelligence algorithms: A systematic review / Z. Farahat, N. Zrira, N. Souissi [et al.] // Survey of Ophthalmology. 2024. Vol. 69, № 5. P. 707–721. DOI: 10.1016/j.survophthal.2024.05.008.

15. Павлов, В. Г. Современные тенденции скрининга диабетической ретинопатии / В. Г. Павлов, А. Л. Сидамонидзе, Д. В. Петрачков // Вестник офтальмологии. 2020. Т. 136, № 4. С. 300–309. DOI: 10.17116/oftalma2020136042300.