cardiovascularКардиоваскулярная терапия и профилактикаCardiovascular Therapy and Prevention1728-88002619-0125«SILICEA-POLIGRAF» LLC10.15829/1728-8800-2026-4643GMYPPYcardiovascular-4643Research ArticleЦИФРОВЫЕ ТЕХНОЛОГИИ И ТЕЛЕМЕДИЦИНАDIGITAL TECHNOLOGIES AND TELEMEDICINEПрименение сверточной нейронной сети, обученной на сверхмалой выборке, для определения немодифицируемых факторов риска сердечно-сосудистых заболеваний (пола и возраста) по цифровым фотографиям глазного днаСonvolutional neural network trained on an ultra-small sample to identify non-modifiable cardiovascular risk factors (sex and age) by digital fundus photographshttps://orcid.org/0000-0002-0451-2009ГогниеваД. Г.GognievaD. G.

Дарья Геннадиевна Гогниева — к.м.н., с.н.с. Института персонализированной кардиологии Научно-технологического парка биомедицины.

Ул. Трубецкая, д. 8, стр. 2, Москва, 119048

Trubetskaya str., 8, bld. 2, Moscow, 119048

gognieva_d_g@staff.sechenov.ruhttps://orcid.org/0000-0001-5432-4084ВалетовД. К.ValetovD. K.

Дмитрий Кириллович Валетов — ассистент кафедры высшей математики, механики и математического моделирования.

Ул. Трубецкая, д. 8, стр. 2, Москва, 119048

Trubetskaya str., 8, bld. 2, Moscow, 119048

valetov_d_k@staff.sechenov.ruhttps://orcid.org/0000-0002-2224-0019СуворовА. Ю.SuvorovA. Yu.

Александр Юрьевич Суворов — к.м.н., с.н.с. Института персонализированной кардиологии Научно-технологического парка биомедицины.

Ул. Трубецкая, д. 8, стр. 2, Москва, 119048

Trubetskaya str., 8, bld. 2, Moscow, 119048

suvorov_a_yu_1@staff.sechenov.ruhttps://orcid.org/0009-0007-6667-1287ЕршоваН. А.ErshovaN. A.

Наталья Алексеевна Ершова — студентка Института клинической медицины им. Н. В. Склифосовского, член студенческого научного кружка Института персонализированной кардиологии Научно-технологического парка биомедицины.

Ул. Трубецкая, д. 8, стр. 2, Москва, 119048

Trubetskaya str., 8, bld. 2, Moscow, 119048

tasha07273@gmail.comhttps://orcid.org/0000-0002-3806-3985ДуржинскаяМ. Х.DurzhinskayaM. Kh.

Мадина Хикметовна Дуржинская — к.м.н., с.н.с. Института персонализированной кардиологии Научно-технологического парка биомедицины.

Ул. Трубецкая, д. 8, стр. 2, Москва, 119048

Trubetskaya str., 8, bld. 2, Moscow, 119048

durzhinskaya_m_kh@staff.sechenov.ruhttps://orcid.org/0000-0003-2707-8417ВоробьеваИ. В.VorobyevaI. V.

Ирина Витальевна Воробьева — д.м.н., доцент, профессор кафедры глазных болезней.

Ул. Миклухо-Маклая, д. 6, Москва, 117198

Miklukho-Maklaya str., 6, Moscow, 117198

irina.docent2000@mail.ruhttps://orcid.org/0000-0001-5473-3101ФашафшаЗ. З. А.FashafshaZaki Z. A.

Фашафша Заки З. А. — к.м.н., н.с. Института персонализированной кардиологии Научно-технологического парка биомедицины.

Ул. Трубецкая, д. 8, стр. 2, Москва, 119048

Trubetskaya str., 8, bld. 2, Moscow, 119048

fashafshazaki@gmail.comhttps://orcid.org/0000-0003-2557-5647ГаджиахмедоваА. Н.GadzhiakhmedovaA. N.

Аида Нурмагомедовна Гаджиахмедова — стажер- исследователь Института персонализированной кардиологии Научно-технологического парка биомедицины.

Ул. Трубецкая, д. 8, стр. 2, Москва, 119048

Trubetskaya str., 8, bld. 2, Moscow, 119048

ai.kidman@mail.ruhttps://orcid.org/0009-0000-5008-7704АбашеваА. Ам.AbashevaA. A.

Алина Амировна Абашева — студентка Института клинической медицины им. Н. В. Склифосовского, член студенческого научного кружка Института персонализированной кардиологии Научно-технологического парка биомедицины.

Ул. Трубецкая, д. 8, стр. 2, Москва, 119048

Trubetskaya str., 8, bld. 2, Moscow, 119048

alina.abasheva@mail.ruhttps://orcid.org/0000-0002-4956-1146СидамонидзеА.SidamonidzeA.

Александр Сидамонидзе — к.м.н., м.н.с. отдела инновационных витреоретинальных технологий.

Ул. Россолимо, д.11А, Б, Москва, 119021

Rossolimo str., 11A, B, Moscow, 119021

ssidamonidze@yandex.ruhttps://orcid.org/0000-0002-2100-759XБалкарС. Ш.BalkarS. Sh.

Сантия Шамиль Балкар — врач-офтальмолог 3 офтальмологического отделения.

Ул. Россолимо, д.11А, Б, Москва, 119021

Rossolimo str., 11A, B, Moscow, 119021

ms.balkar@mail.ruhttps://orcid.org/0000-0003-4043-456XЮсефЮ.YusefYu.

Юсеф Юсеф — д.м.н., профессор, директор.

Ул. Россолимо, д.11А, Б, Москва, 119021

Rossolimo str., 11A, B, Moscow, 119021

9695949@bk.ruhttps://orcid.org/0000-0002-5507-8775БудзинскаяМ. В.BudzinskayaM. V.

Мария Викторовна Будзинская — д.м.н., г.н.с. отдела патологии сетчатки и зрительного нерва, профессор кафедры офтальмологии.

Ул. Россолимо, д.11А, Б, Москва, 119021

Rossolimo str., 11A, B, Moscow, 119021

m_budzinskaya@mail.ruhttps://orcid.org/0000-0002-4496-3680СычевД. А.SychevD. A.

Дмитрий Алексеевич Сычев — д.м.н., профессор, академик РАН, зав. кафедрой клинической фармакологии и терапии им. акад. Б. Е. Вотчала.

Ул. Баррикадная, д. 2/1, стр.1, Москва, 123242

Barrikadnaya str., 2/1, bld. 1, Moscow, 123242

dimasychev@mail.ruhttps://orcid.org/0000-0002-5899-2714МошетоваЛ. К.MoshetovaL. K.

Лариса Константиновна Мошетова — д.м.н., профессор, академик РАН, президент.

Ул. Баррикадная, д. 2/1, стр.1, Москва, 123242

Barrikadnaya str., 2/1, bld. 1, Moscow, 123242

moshetovalk@yandex.ruhttps://orcid.org/0000-0002-4718-1377ВасилевскийЮ. В.VasilevskyYu. V.

Юрий Викторович Василевский — д.ф.- м.н., член-корр. РАН, зав. кафедрой высшей математики, механики и математического моделирования.

Ул. Трубецкая, д. 8, стр. 2, Москва, 119048

Trubetskaya str., 8, bld. 2, Moscow, 119048

vasilevskiy_yu_v@staff.sechenov.ruhttps://orcid.org/0000-0002-6452-1222СыркинА. Л.SyrkinA. L.

Абрам Львович Сыркин — д.м.н., кафедры кардиологии, функциональной и ультразвуковой диагностики Института клинической медицины им. Н. В. Склифосовского.

Ул. Трубецкая, д. 8, стр. 2, Москва, 119048

Trubetskaya str., 8, bld. 2, Moscow, 119048

previntenscardiology@staff.sechenov.ruhttps://orcid.org/0000-0002-4535-8685КопыловФ. Ю.KopylovF. Yu.

Филипп Юрьевич Копылов — д.м.н., профессор, директор Института персонализированной кардиологии Научно-технологического парка биомедицины.

Ул. Трубецкая, д. 8, стр. 2, Москва, 119048

Trubetskaya str., 8, bld. 2, Moscow, 119048

kopylov_f_yu@staff.sechenov.ruФГАОУ ВО "Первый Московский государственный медицинский университет им. И.М. Сеченова" Минздрава России (Сеченовский Университет)I.M. Sechenov First Moscow State Medical UniversityФГАОУ ВО "Российский университет дружбы народов им. Патриса Лумумбы"Peoples' Friendship University of RussiaДПО "Российская медицинская академия непрерывного профессионального образования" Минздрава РоссииKrasnov Research Institute of Eye DiseasesФГБНУ "Научно- исследовательский институт глазных болезней им. М.М. Краснова"Russian Medical Academy of Continuous Professional Education20262905202625446434643Copyright © Гогниева Д.Г., Валетов Д.К., Суворов А.Ю., Ершова Н.А., Дуржинская М.Х., Воробьева И.В., Фашафша З.З., Гаджиахмедова А.Н., Абашева А.А., Сидамонидзе А., Балкар С.Ш., Юсеф Ю., Будзинская М.В., Сычев Д.А., Мошетова Л.К., Василевский Ю.В., Сыркин А.Л., Копылов Ф.Ю., 20262026Гогниева Д.Г., Валетов Д.К., Суворов А.Ю., Ершова Н.А., Дуржинская М.Х., Воробьева И.В., Фашафша З.З., Гаджиахмедова А.Н., Абашева А.А., Сидамонидзе А., Балкар С.Ш., Юсеф Ю., Будзинская М.В., Сычев Д.А., Мошетова Л.К., Василевский Ю.В., Сыркин А.Л., Копылов Ф.Ю.Gognieva D.G., Valetov D.K., Suvorov A.Y., Ershova N.A., Durzhinskaya M.K., Vorobyeva I.V., Fashafsha Z.Z., Gadzhiakhmedova A.N., Abasheva A.A., Sidamonidze A., Balkar S.S., Yusef Y., Budzinskaya M.V., Sychev D.A., Moshetova L.K., Vasilevsky Y.V., Syrkin A.L., Kopylov F.Y.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://cardiovascular.elpub.ru/jour/article/view/4643Цель

Цель. Оценка эффективности сверточной нейронной сети, обученной на сверхмалой выборке, для определения немодифицируемых факторов риска сердечно-сосудистых заболеваний (пола и возраста) по цифровым фотографиям глазного дна.

Материал и методы

Материал и методы. Использована архитектура EfficientNet B3, предобученная на базе данных ImageNet. Исследование проводилось на собственном патентованном наборе данных, содержащем цифровые фотографии центрального поля глазного дна и демографические показатели пациентов, разделенном на обучающую (227 фото) и (131 фото) тестовую части. Для определения точности прогнозирования возраста оценивалась средняя абсолютная ошибка (MAE), коэффициент детерминации (R²) и графики Бланда- Альтмана. Для прогнозирования пола — чувствительность, специфичность, положительная и отрицательная прогностическая ценность, а также площадь под ROC-кривой.

Результаты

Результаты. MAE для возраста составила 6,04 (95% доверительный интервал (ДИ): 5,11-7,11), R² — 0,638 (95% ДИ: 0,486-0,759). Площадь под ROC-кривой для прогнозирования пола составила 0,79 (95% ДИ: 0,70-0,87). Чувствительность, специфичность, отрицательная и положительная прогностическая ценность, а также сбалансированная точность (при пороге вероятности 0,5) были следующими: 88, 58,1, 81,8, 70,1 и 73,2%, соответственно.

Заключение

Заключение. Полученные результаты демонстрируют высокую точность определения пола и умеренную точность определения возраста, что свидетельствует о возможности создания диагностической модели на очень небольшом наборе данных.

Aim

Aim. To evaluate the effectiveness of a convolutional neural network trained on an ultrasmall sample for identifying non-modifiable cardiovascular risk factors (sex and age) by digital fundus photographs.

Material and methods

Material and methods. The EfficientNet B3 architecture, pretrained on the ImageNet database, was used. The study was conducted on a proprietary dataset containing digital fundus photographs and patient demographic data, divided into training (227 photos) and test (131 photos) samples. To determine the accuracy of age prediction, the mean absolute error (MAE), the coefficient of determination (R2), and the BlandAltman plots were evaluated. For sex prediction, sensitivity, specificity, positive and negative predictive values, and the area under the ROC curve were assessed.

Results

Results. The MAE for age was 6,04 (95% confidence interval (CI): 5,11-7,11), while R2 — 0,638 (95% CI: 0,486-0,759). The area under the ROC curve for sex prediction was 0,79 (95% CI: 0,70-0,87). Sensitivity, specificity, negative and positive predictive values, and balanced accuracy (at a probability threshold of 0,5) were 88, 58,1, 81,8, 70,1, and 73,2%, respectively.

Conclusion

Conclusion. The obtained results demonstrate high accuracy in sex determination and moderate accuracy in age determination, indicating that acceptable results can be achieved even with a very small dataset.

нейронные сетиискусственный интеллектфотография глазного днаполвозрастнемодифицируемые факторы риска сердечно-сосудистых заболеванийneural networksartificial intelligencefundus photographysexagenon-modifiable cardiovascular risk factorsReferencesVisseren FLJ, Mach F, Smulders YM, et al. 2021 ESC Guidelines on cardiovascular disease prevention in clinical practice. Eur Heart J. 2021;42(34):3227-337. doi:10.1093/eurheartj/ehab484.Visseren FLJ, Mach F, Smulders YM, et al. ESC Guidelines on cardiovascular disease prevention in clinical practice. Eur Heart J. 2021;42:3227-3337. doi:10.1093/eurheartj/ehab484Damen JAAG, Hooft L, Schuit E, et al. Prediction models for cardiovascular disease risk in the general population: systematic review. BMJ. 2016;353:i2416. doi:10.1136/bmj.i2416.Damen JAAG, Hooft L, Schuit E, et al. Prediction models for cardiovascular disease risk in the general population: systematic review. BMJ. 2016;353:i2416. doi:10.1136/bmj.i2416van Trier TJ, Snaterse M, Boekholdt SM, et al. Validation of Systematic Coronary Risk Evaluation 2 (SCORE2) and SCORE2-Older Persons in the EPIC-Norfolk prospective population cohort. Eur J Prev Cardiol. 2024;31(2):182-9. doi:10.1093/eurjpc/zwad318.van Trier TJ, Snaterse M, Boekholdt SM, et al. Validation of Systematic Coronary Risk Evaluation 2 (SCORE2) and SCORE2-Older Persons in the EPIC-Norfolk prospective population cohort. Eur J Prev Cardiol. 2024;31:182-189. doi:10.1093/eurjpc/zwad318Poplin R, Varadarajan AV, Blumer K, et al. Prediction of car diovascular risk factors from retinal fundus photographs via deep learning. Nat Biomed Eng. 2018;2(3):158-64. doi:10.1038/s41551-018-0195-0.Poplin R, Varadarajan AV, Blumer K, et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat Biomed Eng. 2018;2:158-164. doi:10.1038/s41551-018-0195-0Alshoraihy A. EfficientNetB3 in Leukemia Detection: Advancements in Medical Imaging Analysis. Medinformatics. 2025; 2(3):219-25. doi:10.47852/bonviewMEDIN52023293.Vishwakarma P, Tripathi, Singh BP, et al. Segmentation and Detection of Brain Tumors using EfficientNetB3 Model. In: 2023 2nd International Conference on Automation, Computing and Renewable Systems (ICACRS). Pudukkottai, India; 2023:1463-1470. doi:10.1109/ICACRS58579.2023.10404936Weiss K, Khoshgoftaar TM, Wang DD. A survey of transfer learning. J Big Data. 2016;3(1):9. doi:10.1186/s40537-016-0043-6.Kumar A, Nelson L. Deep Learning-based Blood Cell Classification using EfficientNetB3 Architecture. In: 2025 6th International Conference on Mobile Computing and Sustainable Informatics (ICMCSI). Goathgaun, Nepal; 2025:954-960. doi:10.1109/ICMCSI64620.2025.10883188Ganaie MA, Hu M, Malik AK, et al. Ensemble deep learning: A review. Eng Appl Artif Intell. 2022;115:105151. doi:10.1016/j.engappai.2022.105151.Alshoraihy A. EfficientNetB3 in Leukemia Detection: Advancements in Medical Imaging Analysis. Medinformatics. 2025. doi:10.47852/bonviewMEDIN52023293Xu M, Yoon S, Fuentes A, et al. A comprehensive survey of image augmentation techniques for deep learning. Pattern Recognit. 2023;109347. doi:10.1016/j.patcog.2023.109347.Weiss K, Khoshgoftaar TM, Wang DD. A survey of transfer learning. J Big Data. 2016;3:9. doi:10.1186/s40537-016-0043-6Buderer NM. Statistical methodology: I. Incorporating the prevalence of disease into the sample size calculation for sensitivity and specificity. Acad Emerg Med. 1996;3(9):895-900. doi:10.1111/j.1553-2712.1996.tb03538.x.Ganaie MA, Hu M, Malik AK, et al. Ensemble deep learning: A review. Eng Appl Artif Intell. 2022;115:105151. doi:10.1016/j.engappai.2022.105151Seabrook JA. Powering Nutrition Research: Practical Strategies for Sample Size in Multiple Regression. Nutrients. 2025;17:2668. doi:10.3390/nu17162668.Xu M, Yoon S, Fuentes A, et al. A comprehensive survey of image augmentation techniques for deep learning. Pattern Recognit. 2023;109347. doi:10.1016/j.patcog.2023.109347Dieck S, Ibarra M, Moghul I, et al. Factors in Color Fundus Photographs That Can Be Used by Humans to Determine Sex of Individuals. Trans Vis Sci Tech. 2020;9(7):8. doi:10.1167/tvst.9.7.8.Dieck S, Ibarra M, Moghul I, et al. Factors in Color Fundus Photographs That Can Be Used by Humans to Determine Sex of Individuals. Trans Vis Sci Tech. 2020;9(7):8. doi:10.1167/tvst.9.7.8Korot E, Pontikos N, Liu X, et al. Predicting sex from retinal fundus photographs using automated deep learning. Sci Rep. 2021;11:10286. doi:10.1038/s41598-021-89743-x.Korot E, Pontikos N, Liu X, et al. Predicting sex from retinal fundus photographs using automated deep learning. Sci Rep. 2021;11:10286. doi:10.1038/s41598-021-89743-xKim YD, Noh KJ, Byun SJ, et al. Effects of Hypertension, Diabetes, and Smoking on Age and Sex Prediction from Retinal Fundus Images. Sci Rep. 2020;10:4623. doi:10.1038/s41598-020-61519-9.Kim YD, Noh KJ, Byun SJ, et al. Effects of Hypertension, Diabetes, and Smoking on Age and Sex Prediction from Retinal Fundus Images. Sci Rep. 2020;10:4623. doi:10.1038/s41598-020-61519-9Betzler BK, Yang HHS, Thakur S, et al. Gender Prediction for a Multiethnic Population via Deep Learning Across Different Retinal Fundus Photograph Fields: Retrospective Cross-sectional Study. JMIR Med Inform. 2021;9(6):e25165. doi:10.2196/25165.Betzler BK, Yang HHS, Thakur S, et al. Gender Prediction for a Multiethnic Population via Deep Learning Across Different Retinal Fundus Photograph Fields: Retrospective Cross-sectional Study. JMIR Med Inform. 2021;9(6):e25165. doi:10.2196/25165Taha AM, Zarandah QMM, Abu-Nasser BS, et al. Gender Prediction from Retinal Fundus Using Deep Learning. Int J Acad Inf Syst Res. 2022;6(5):57-63.Taha AM, Zarandah QMM, Abu-Nasser BS, et al. Gender Prediction from Retinal Fundus Using Deep Learning. Int J Acad Inf Syst Res. 2022;6(5):57-63.Gerrits N, Elen B, Craenendonck TV, et al. Age and sex affect deep learning prediction of cardiometabolic risk factors from retinal images. Sci Rep. 2020;10:9432. doi:10.1038/s41598-020-65794-4.Gerrits N, Elen B, Craenendonck TV, et al. Age and sex affect deep learning prediction of cardiometabolic risk factors from retinal images. Sci Rep. 2020;10:9432. doi:10.1038/s41598-020-65794-4Khan NC, Perera C, Dow ER, et al. Predicting Systemic Health Features from Retinal Fundus Images Using Transfer Learning-Based Artificial Intelligence Models. Diagnostics. 2022;12(7):1714. doi:10.3390/diagnostics12071714.Khan NC, Perera C, Dow ER, et al. Predicting Systemic Health Features from Retinal Fundus Images Using Transfer-Learning-Based Artificial Intelligence Models. Diagnostics. 2022;12(7):1714. doi:10.3390/diagnostics12071714Berk A, Ozturan G, Delavari P, et al. Learning from small data: Classifying sex from retinal images via deep learning. PLoS ONE. 2023;18(7):e0289211. doi:10.1371/journal.pone.0289211.Berk A, Ozturan G, Delavari P, et al. Learning from small data: Classifying sex from retinal images via deep learning. PLoS ONE. 2023;18(7):e0289211. doi:10.1371/journal.pone.0289211

The authors declare that there are no conflicts of interest present.