Omówienie artykułu pt. „Badania przesiewowe retinopatii cukrzycowej za pomocą algorytmów sztucznej inteligencji: przegląd systematyczny” opublikowanego w Survey of Ophthalmology w 2024 roku [1].
Prof. dr hab. med. Andrzej Grzybowski
Kierownik Katedry Okulistyki, Uniwersytet Warmińsko-Mazurski, Olsztyn
Kierownik Instytutu Okulistycznych Badań Naukowych, Fundacja Okulistyka 21, Poznań
Artykuł przedstawia systematyczny przegląd metod sztucznej inteligencji (AI) w automatycznym wykrywaniu retinopatii cukrzycowej (DR). Badanie analizuje różne techniki uczenia głębokiego (DL) oraz klasyfikacji, segmentacji i detekcji stosowane w analizie obrazów dna oka pacjentów z cukrzycą. Retinopatia cukrzycowa jest jedną z najczęstszych powikłań cukrzycy i główną przyczyną ślepoty wśród dorosłych. Wczesne wykrycie tej choroby ma kluczowe znaczenie dla zapobiegania pogorszeniu wzroku.
W artykule autorzy podkreślają, że AI, zwłaszcza algorytmy oparte na DL, stają się coraz bardziej zaawansowane w identyfikowaniu oznak retinopatii cukrzycowej. Techniki te mogą być wykorzystywane do analizy obrazów dna oka, przyspieszając i poprawiając skuteczność badań przesiewowych. Jednakże, mimo obiecujących wyników, istnieją również wyzwania, takie jak dostępność wysokiej jakości, dobrze oznakowanych danych, co może wpływać na skuteczność modeli AI.
Poniżej omówiono kluczowe zagadnienia związane z wykorzystaniem AI w wykrywaniu retinopatii cukrzycowej oraz główne wnioski płynące z analizy literatury.
1. Wprowadzenie do problematyki
Retinopatia cukrzycowa (DR) jest poważnym powikłaniem cukrzycy, które może prowadzić do ślepoty. W miarę postępu cukrzycy, mikrokrążenie siatkówki ulega uszkodzeniu, co powoduje różne zmiany patologiczne, takie jak mikrotętniaki, wybroczyny, twarde i miękkie wysięki. Regularne badania przesiewowe są niezbędne, aby wczesnie wykryć DR i zapobiec pogorszeniu wzroku. Tradycyjne metody diagnozowania, takie jak badanie dna oka za pomocą lampy szczelinowej, są jednak czasochłonne i wymagają specjalistycznej wiedzy.
W ostatnich latach pojawiło się wiele technologii AI, które obiecują automatyzację tego procesu. Sztuczna inteligencja, szczególnie uczenie maszynowe (ML) i głębokie uczenie (DL), wykazuje duży potencjał w diagnostyce medycznej, w tym w wykrywaniu DR. Modele AI mogą analizować obrazy dna oka, wykrywając zmiany typowe dla retinopatii cukrzycowej, co pozwala na szybszą i dokładniejszą diagnozę.
2. Kluczowe pojęcia i klasyfikacja DR
W artykule omówiono klasyfikację DR według międzynarodowych standardów (International Clinical DR Classification, ICDR), które wyróżniają pięć głównych stadiów choroby:
- Brak retinopatii cukrzycowej – brak widocznych zmian.
- Łagodna retinopatia nieproliferacyjna (Mild NPDR) – obecność mikrotętniaków.
- Umiarkowana retinopatia nieproliferacyjna (Moderate NPDR) – więcej zmian niż tylko mikrotętniaki, ale bez objawów ciężkiej retinopatii.
- Ciężka retinopatia nieproliferacyjna (Severe NPDR): którekolwiek z niżej wymienionych:
- 20 krwotoków śródsiatkówkowych w każdym z 4 kwadrantów
- Wyraźne zagięcia żylne w 2 lub więcej kwadrantach
- Wyraźne IRMA w 1 + kwadrancie
- oraz brak oznak retinopatii proliferacyjnej
- Proliferacyjna retinopatia cukrzycowa (PDR) – nowotworzenie naczyń oraz krwotoki do ciała szklistego lub przedsiatkówkowe.
Każdy z tych etapów wymaga innego podejścia terapeutycznego, a dokładne rozpoznanie stadium choroby jest kluczowe dla leczenia.
3. Metody uczenia głębokiego w wykrywaniu DR
3.1. Klasyfikacja
Klasyfikacja obrazów jest jednym z podstawowych zastosowań AI w diagnostyce DR. Modele AI, takie jak sieci neuronowe, są trenowane na dużych zbiorach danych obrazowych, aby przyporządkować obrazy do odpowiednich klas (np. obecność lub brak retinopatii, stadia retinopatii). W przeglądzie podkreślono zastosowanie różnych architektur sieci neuronowych, takich jak sieci konwolucyjne (CNN), które okazały się niezwykle skuteczne w rozpoznawaniu wzorców w obrazach.
3.2. Detekcja
Detekcja obiektów w obrazach pozwala na automatyczne zlokalizowanie i oznaczenie patologicznych zmian, takich jak mikrotętniaki, wybroczyny czy wysięki. W tym celu stosowane są algorytmy, takie jak YOLO (You Only Look Once) czy R-CNN, które umożliwiają dokładne wykrycie i klasyfikację zmian w obrazach siatkówki.
3.3. Segmentacja
Segmentacja obrazu to technika, która dzieli obraz na mniejsze regiony w celu identyfikacji i oznaczenia konkretnych zmian. Modele takie jak U-Net są często stosowane do segmentacji obrazów siatkówki, umożliwiając precyzyjne oznaczenie patologicznych obszarów, co jest kluczowe w diagnostyce DR.
4. Technologie i architektury AI
W artykule omówiono różnorodne techniki i architektury DL, które były stosowane w wykrywaniu DR:
- Sieci konwolucyjne (CNN) są najczęściej stosowane w analizie obrazów medycznych, w tym obrazów siatkówki. W wielu badaniach CNN wykazały wysoką skuteczność w klasyfikacji obrazów retinopatii cukrzycowej.
- Transformery (Transformers) to nowoczesna architektura stosowana głównie w przetwarzaniu języka naturalnego, ale w ostatnich latach znalazła zastosowanie również w analizie obrazów. Modele oparte na transformatorach mogą przetwarzać obrazy siatkówki w bardziej złożony sposób, co może zwiększać skuteczność rozpoznania.
- Sieci rekurencyjne (RNN) i ich odmiany, takie jak LSTM (Long Short-Term Memory), są używane do analizowania sekwencji obrazów lub danych czasowych, co może być przydatne w monitorowaniu postępu DR u pacjentów.
5. Bazy danych i wstępne przetwarzanie obrazów
W przeglądzie podkreślono znaczenie dostępności wysokiej jakości danych do trenowania modeli AI. Autorzy zidentyfikowali kilka popularnych baz danych używanych w badaniach nad AI w diagnostyce DR:
- EyePACS – jedna z największych baz danych, zawierająca obrazy siatkówki o różnej jakości i rozdzielczości, które były wykorzystywane do trenowania modeli AI.
- IDRiD – baza danych zawierająca obrazy siatkówki z oznaczeniami typowych zmian DR, takich jak mikrotętniaki, wysięki czy krwotoki.
- Messidor – baza danych zawierająca obrazy siatkówki, które były wykorzystywane w wielu badaniach nad AI.
Wstępne przetwarzanie obrazów, taki jak korekcja jasności, kontrastu i usuwanie szumów, jest kluczowym etapem przygotowania danych do trenowania modeli AI. W artykule podkreślono, że odpowiednie przygotowanie obrazów znacząco wpływa na skuteczność modeli AI.
6. Wyniki i wyzwania
Podsumowując przegląd literatury, autorzy zwracają uwagę na kilka kluczowych wniosków:
- Zastosowanie AI w wykrywaniu DR jest obiecujące, ale wciąż wymaga dalszych badań i optymalizacji, aby zwiększyć dokładność modeli i zminimalizować błędy.
- Główne wyzwania obejmują dostępność wysokiej jakości danych, trudności w interpretacji wyników generowanych przez modele AI oraz integrację tych technologii z istniejącymi systemami opieki zdrowotnej.
- Rozwój modeli multimodalnych, które integrują różne źródła danych (np. obrazy, teksty, dane pacjentów), może znacznie zwiększyć skuteczność diagnostyki DR.
7. Wnioski i przyszłe kierunki badań
Autorzy podkreślają, że AI ma ogromny potencjał w automatyzacji badań przesiewowych w kierunku retinopatii cukrzycowej, co może prowadzić do wczesnej diagnozy i lepszego leczenia pacjentów. Jednak, aby w pełni wykorzystać możliwości AI w diagnostyce DR, konieczne są dalsze badania nad integracją różnych technik AI oraz poprawą jakości dostępnych danych.
W przyszłości ważne będzie opracowanie bardziej zaawansowanych algorytmów, które będą w stanie skutecznie integrować dane z różnych źródeł i lepiej interpretować wyniki. Dodatkowo, potrzebne są większe i bardziej zróżnicowane bazy danych, które pozwolą na trenowanie bardziej wszechstronnych modeli AI.
Piśmiennictwo
1. Farahat Z, Zrira N, Souissi N, Bennani Y, Bencherif S, Benamar S, Belmekki M, Ngote MN, Megdiche K. Diabetic retinopathy screening through artificial intelligence algorithms: A systematic review. Surv Ophthalmol. 2024 Sep-Oct;69(5):707-721.