Миопическая макулопатия, по прогнозам, будет расти вместе с глобальным увеличением распространённости миопии, и искусственный интеллект (ИИ) стал одним из основных направлений исследований для её более раннего выявления.² Однако большинство ИИ-исследований патологической миопии (ПМ) сосредоточены на одной задаче, обученной на одном наборе данных. Это оставляет клиницистам разрозненный набор инструментов: один алгоритм для скрининга, другой для оценки и, возможно, третий для выявления поражений.


Новое исследование, опубликованное в Frontiers in Medicine, пытается объединить эти инструменты. Исследователи из Первой больницы Путяня в провинции Фуцзянь (Китай) разработали MyoSpectrumNet — фреймворк глубокого обучения, предназначенный для оценки полного спектра ПМ по цветной фотографии глазного дна.¹


Объединение частичных разметок


Основной технической проблемой были данные. Три использованных публичных набора данных — HPMI, PALM и MMAC — несут разные и лишь частично перекрывающиеся аннотации. HPMI (4011 изображений) в основном отделяет высокую миопию от ПМ. PALM (1200 изображений) добавляет метки ПМ наряду с аннотациями диска зрительного нерва, фовеа и атрофии. MMAC предоставляет степени MM, значения SE и маски сегментации для хориоидальной неоваскуляризации (CNV), пятен Фукса и лаковые трещины.¹


Для их объединения команда использовала общий энкодер ConvNeXt-T с адаптером, обусловленным источником, который корректирует обработку в зависимости от исходного набора данных. Отдельные головы обрабатывают ПМ, MM и SE, а ветвь поражений присоединяется к ним через gated fusion. Маскированная функция потерь при обучении означала, что каждое изображение обучало модель только тем задачам, для которых у него были метки.¹


Соответствие специализированным моделям в скрининге и оценке


Каждый выход сравнивался с отдельно обученным базовым уровнем для конкретной задачи на согласованных разбиениях данных с использованием однопредставленного вывода. На двух ключевых клинических задачах совместная модель не уступала. AUC скрининга ПМ составили 0,985 на HPMI и 0,993 на PALM по сравнению с 0,987 и 0,996 для специализированных классификаторов. Оценка MM дала идентичную квадратично взвешенную каппу 0,907 для обоих подходов.¹


Модель также достаточно хорошо переносилась для скрининга ПМ отдельно. Обученная на HPMI и протестированная на PALM без дообучения, она достигла AUC 0,993. Перенос в обратном направлении был слабее — 0,969.¹ Умеренные вычислительные требования могут иметь значение для реального развёртывания: около 31 миллиона параметров и примерно 25 мс на однопредставленный вывод на GPU. Это повторяющаяся тема в ИИ для точки оказания помощи, как показало недавнее исследование офлайн-скрининга со смартфона, опубликованное в Ophthalmology Times.⁴


Где совместное обучение уступило


Авторы не утверждают, что интегрированная модель побеждает везде, что отличает эту работу от большей части литературы по ИИ. Оценка SE оказалась слабее. Специализированный регрессор достиг средней абсолютной ошибки 1,006 D (95% ДИ, 0,873–1,147) против 1,259 D для MyoSpectrumNet. Исследователи прямо говорят, что совместное обучение не улучшило каждый выход.¹


Сегментация поражений пошла в другом направлении. Контрольная точка интерпретации MyoSpectrumNet показала общий коэффициент Dice 0,472 против 0,397 (95% ДИ, 0,324–0,468) для базового уровня DeepLabV3-ResNet50. Тем не менее авторы называют это сравнение описательным. Предсказания на уровне записей не сохранялись, поэтому парные статистические данные были невозможны, а набор валидации поражений содержал только 32 записи.¹ Они также представляют карты поражений как визуальное свидетельство для поддержки триажа, а не как автономную диагностику.


Ограничения перед клиникой


Несколько ограничений выделяются для читателей, оценивающих клиническую значимость. MMAC не имеет отдельного тестового раздела, поэтому показатели MM, SE и поражений являются оценками на валидационном наборе. Наиболее тяжёлые степени макулопатии (3 и 4) внесли только 25 записей. В этой подгруппе чувствительность степени 4 составила 1,00 для базового уровня, но 0,77 для MyoSpectrumNet с тестовым увеличением данных, что является значимым разрывом для глаз с наибольшим риском. Перекрытие на уровне пациентов между публичными наборами данных не могло быть проверено, а компараторы обучались с одним зерном.¹


Авторы также подчёркивают, что полный фреймворк из 4 выходов не тестировался на внешнем, невиданном наборе данных. Они призывают к проспективной, многоцентровой и основанной на рабочих процессах валидации перед любым клиническим использованием.¹


Интеграция, а не превосходство


Ценность MyoSpectrumNet — в интеграции, а не в безоговорочном превосходстве в каждой задаче. Единая модель, которая проводит скрининг, оценку и выделяет поражения, соответствует тому, как ПМ фактически проявляется: как континуум структурных изменений, а не как отдельные находки «да-или-нет». Это важно, поскольку миопия возникает раньше в жизни. Недавние работы показали, что более половины глаз детей с высокой миопией уже имеют периферические поражения сетчатки, причём распространённость растёт вместе с осевой длиной.³


На данный момент исследование лучше всего читать как доказательство концепции многоисточникового, многозадачного обучения при миопии. Это также необычайно честный отчёт о том, что такой дизайн приобретает и чем жертвует. Сможет ли единый подход выдержать проверку в невиданных популяциях, на визуализирующих устройствах и при наиболее продвинутых степенях макулопатии — вопрос, на который должен ответить следующий раунд исследований.


Литература


Zhang B, Lin F, Li W, Lin B. MyoSpectrumNet: a unified deep learning framework for pathologic myopia spectrum assessment using heterogeneous multi-source fundus datasets. Front Med (Lausanne). 2026;13:1881289. doi:10.3389/fmed.2026.1881289


Hutton D. ASU researchers tap AI to help people see more clearly. Ophthalmology Times. October 7, 2024. Accessed October 30, 2026. https://www.ophthalmologytimes.com/view/asu-researchers-tap-ai-to-help-people-see-more-clearly


Bijon J. Detecting peripheral retinal lesions in children with myopia. Ophthalmology Times. June 29, 2026. Accessed October 30, 2026. https://www.ophthalmologytimes.com/view/detecting-peripheral-retinal-lesions-in-children-with-myopia


Offline smartphone AI accurately detects DR, glaucoma, and AMD in real-world study. Ophthalmology Times. July 3, 2026. Accessed October 30, 2026. https://www.ophthalmologytimes.com/view/offline-smartphone-ai-accurately-detects-dr-glaucoma-and-amd-in-real-world-study