Формирование параметров педиатрической базы электроретинограммы для разработки алгоритма поддержки принятия решения врачом

Электроретинография – это неинвазивный электрофизиологический метод, стандартизированный международным обществом клинической электрофизиологии зрения. Начиная с 1989 г. электроретинография используется для клинического применения и стандартизации электрофизиологических протоколов диагностики сетчатки. В фундаментальных офтальмологических исследованиях электроретинография также является хорошо зарекомендовавшим себя методом функциональной диагностики для оценки состояния сетчатки глазного анализатора. Создание стандартизированных протоколов является важным, но часто недооцениваемым фактором для мониторинга успешной молекулярной терапии при дегенерации сетчатки и необходимым для переноса на пациентов. В модели заболевания пигментного ретинита или ахроматопсии, когда поражается преимущественно один тип фоторецепторов, колбочек или палочек, и соответствующий электрический ответ полностью отсутствует, требуется обнаружение даже незначительных улучшений после терапевтического лечения. Таким образом, стандартизированные протоколы позволяют реализовывать электроретинографию в условиях оптимизации чувствительности и специфичности во время клинических испытаний. Следует отметить, что в литературе, посвящённой заболеваниям сетчатки, демонстрируются клинические случаи, при которых у пациентов может быть одновременно несколько заболеваний сетчатки. В таких случаях необходимо с высокой точностью обнаруживать группу характеристик электрофизиологических сигналов с целью улучшения применения различных диагностических решений. Классификация сигналов электроретинограммы напрямую зависит от качества размеченной биомедицинской информации или баз данных, в дополнение к этому точность полученных результатов классификации зависит не только от компьютерных технологий, но и от качества входных данных. Следует отметить, что на сегодняшний день анализ сигналов электроретинограммы осуществляется преимущественно вручную и во многом зависит от опыта клиницистов. Разработка автоматизированных алгоритмов анализа сигналов электроретинограммы может позволить упростить рутинные процессы и улучшить качество диагностики глазных заболеваний. В статье описано формирование параметров педиатрической базы электроретинограммы для разработки алгоритма поддержки принятия решения врачом. Параметры сигналов получены путём извлечения параметров из вейвлет-скалограммы сигнала электроретинограммы с использованием методов цифровой обработки изображений и машинного обучения.

1. Verdon WA, Schneck ME, Haegerstrom-Portnoy G. A comparison of three techniques to estimate the human dark-adapted cone electroretinogram. Vision Res. 2003; 43(19): 2089-2099. https://doi.org/10.1016/s0042-6989(03)00330-4

2. Brigell M, Jeffrey BG, Mahroo OA, Tzekov K. ISCEV extended protocol for derivation and analysis of the strong flash rod-isolated ERG a-wave. Doc Ophthalmol. 2020; 140(1): 5-12. https://doi.org/10.1007/s10633-019-09740-4

3. Xiaofan J, Bhatti T, Tariq A, Ting Sh, Williams K, Hysi PG, et al. The rise-time of the rod-driven electroretinogram a-wave measured in over 200 twins: Association with age and estimation of heritability. Invest Ophthalmol. Vis Sci. 2021; 62(8): 617.

4. Hébert M, Mérette Ch, Gagné AM, Paccalet Th, Moreau I, Lavoie J, et al. The electroretinogram may differentiate schizophrenia from bipolar disorder. Biol Psychiatry. 2020; 87(3): 263-270. https://doi.org/10.1016/j.biopsych.2019.06.014

5. Akula JD, Lyubarsky AL, Naarendorp F. The sensitivity and spectral identity of the cones driving the b-wave of the rat electroretinogram. Vis Neurosci. 2003; 20(2): 109-117. https://doi.org/10.1017/s0952523803202029

6. Lingley AJ, Kantungane A-L, Coupland SG. Comparison of the uniform-field electroretinogram and the pattern electroretinogram to checkerboard and bar gratings. Doc Ophthalmol. 2020; 140(1): 13-21. https://doi.org/10.1007/s10633-019-09714-6

7. Viswanathan S, Frishman LJ, Robson JG, Walters JW. The photopic negative response of the flash electroretinogram in primary open angle glaucoma. Invest Ophthal Vis Sci. 2001; 42(2): 514-522.

8. Thompson DA, Fujinami K, Perlman I, Hamilton R, Robson AG. ISCEV extended protocol for the dark-adapted red flash ERG. Doc Ophthalmol. 2018; 136(3): 191-197. https://doi.org/10.1007/s10633-018-9644-z

9. Frishman L, Sustar M, Kremers J, McAnany JJ, Sarossy M, Tzekov R, et al. ISCEV extended protocol for the photopic negative response (PhNR) of the full-field electroretinogram. Doc Ophthalmol. 2018; 136(3): 207-211. https://doi.org/10.1007/s10633-018-9638-x

10. Youssef P, Nath S, Chaimowitz GA, Prat SS. Electroretinography in psychiatry: A systematic literature review. Eur Psychiatry. 2019; 62: 97-106. https://doi.org/10.1016/j.eurpsy.2019.09.006

11. Еремеев А.П., Ивлиев С.А. Разработка базы данных и конвертера для извлечения и анализа специализированных данных, получаемых с медицинского аппарата. Программные продукты и системы. 2019; 3(32): 512-517. https://doi.org/10.15827/0236-235X.127.512-517

12. Zhdanov AE, Dolganov AYu, Kazajkin VN, Ponomarev VO, Lizunov AV, Borisov VI, et al. OculusGraphy: Literature review on electrophysiological research methods in ophthalmology and electroretinograms processing using wavelet transform. 2020 International Conference on e-Health and Bioengineering (EHB). 2020: 1-6, https://doi.org/10.1109/EHB50910.2020.9280221

13. Zhdanov AE, Borisov VI, Dolganov AY, Lucian E, Bao X, Kazaijkin VN. OculusGraphy: Norms for electroretinogram signals. 2021 IEEE 22nd International Conference of Young Professionals in Electron Devices and Materials (EDM). 2021: 399-402. https://doi.org/10.1109/EDM52169.2021.9507597

14. Zhdanov AE, Borisov VI, Dolganov AY, Lucian E, Bao X, Kazaijkin VN. OculusGraphy: Filtering of electroretinography response in adults. 2021 IEEE 22nd International Conference of Young Professionals in Electron Devices and Materials (EDM). 2021: 395-398. https://doi.org/10.1109/EDM52169.2021.9507654

15. Abbasi H, Bennet L, Gunn AJ, Unsworth ChP. 2D wavelet scalogram training of deep convolutional neural network for automatic identification of micro-scale sharp wave biomarkers in the hypoxic-ischemic EEG of preterm sheep. 2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). 2019: 1825-1828. https://doi.org/10.1109/EMBC.2019.8857665