Omówienie artykułu pt. „DRAMA – Ocena retinopatii cukrzycowej poprzez podejście oparte na uczeniu się wielozadaniowym na heterogenicznych zestawach danych obrazu dna oka” (DRAMA – Diabetic Retinopathy Assessment through Multi-task Learning Approach on Heterogeneous Fundus Image Datasets) opublikowanego w Ophthalmology Science w 2025 roku [1].
Prof. dr hab. med. Andrzej Grzybowski
Kierownik Katedry Okulistyki, Uniwersytet Warmińsko-Mazurski, Olsztyn
Kierownik Instytutu Okulistycznych Badań Naukowych, Fundacja Okulistyka 21, Poznań
Współfinansowane ze środków Ministerstwa Edukacji i Nauki na podstawie umowy nr. POPUL/SN/0475/2023/01 w ramach projektu pt.: Kampania edukacyjna „Sztuczna inteligencja w okulistyce”
Cukrzycowa retinopatia (DR) pozostaje jedną z głównych przyczyn możliwej do uniknięcia ślepoty na świecie. W obliczu rosnącej globalnej liczby pacjentów z cukrzycą, potrzeba efektywnego, taniego i szeroko dostępnego narzędzia do wczesnej diagnostyki jest szczególnie istotna. Tradycyjne badania okulistyczne, oparte na oftalmoskopii lub zdjęciach dna oka, są skuteczne, lecz ich powszechne wdrożenie ogranicza brak odpowiedniej liczby specjalistów, zwłaszcza w krajach rozwijających się. Dlatego w ostatnich latach coraz większe zainteresowanie budzi wykorzystanie sztucznej inteligencji (AI) i uczenia głębokiego w okulistyce.
Prezentowane badanie koncentruje się na stworzeniu i ocenie systemu DRAMA (Diabetic Retinopathy Analysis Model Assistant) – nowoczesnej platformy diagnostycznej opartej na podejściu multi-task learning (MTL), czyli wielozadaniowym uczeniu maszynowym. W odróżnieniu od wcześniejszych modeli, które ograniczały się zwykle do pojedynczych funkcji, DRAMA obejmuje kompleksowy proces analizy obrazów dna oka: rozpoznanie typu obrazu, ocenę jego jakości, określenie lateralizacji, wykrywanie poszczególnych zmian patologicznych (mikrotętniaki, krwotoki, wysięki twarde i miękkie, neowaskularyzację), klasyfikację blizn po fotokoagulacji, pełne stopniowanie DR oraz identyfikację obrzęku plamki związanego z cukrzycą (DME).
System opiera się na architekturze EfficientNet-B2, która została wcześniej wytrenowana na bazie ImageNet i zaadaptowana do potrzeb wielozadaniowego uczenia. Wprowadzenie wielu wyjść specyficznych dla danej funkcji umożliwiło jednoczesne wykonywanie aż jedenastu zadań diagnostycznych. Ważnym elementem rozwoju było zastosowanie Label Smoothing oraz optymalizatora AdamP, co zwiększyło odporność modelu na przeuczenie i poprawiło jego stabilność.
Do budowy systemu użyto 1500 obrazów od 957 pacjentów, pochodzących z trzech odmiennych źródeł: klasycznych fundus kamer, urządzeń ultra-widefield (UWF) oraz przenośnych kamer ręcznych. Obrazy były oznaczane przez doświadczonych okulistów i specjalistów w zakresie chorób siatkówki, a w razie niezgodności stosowano arbitraż eksperta. Dzięki takiemu podejściu stworzono heterogeniczny zbiór danych, odzwierciedlający realia praktyki klinicznej.
Wyniki oceny DRAMA były bardzo obiecujące. System uzyskał dokładność ponad 87% w ocenie jakości obrazów i ponad 91% w detekcji zmian chorobowych. Wskaźniki AUC przekraczały 0.95 dla większości zadań, a dla gradacji DR oraz detekcji DME wyniosły około 0.93. Co istotne, system diagnozował cały zestaw testowy w zaledwie 86 milisekund, podczas gdy doświadczeni okuliści potrzebowali od 90 do 100 minut. Ta różnica pokazuje nie tylko ogromną przewagę czasową AI, lecz także potencjał do zastosowania w programach przesiewowych.
Walidacja zewnętrzna przeprowadzona w czterech niezależnych ośrodkach klinicznych (w tym w Chinach i Polsce) wykazała, że system dobrze generalizuje do nowych danych. W niektórych zadaniach, np. w wykrywaniu krwotoków i cukrzycowego obrzęku plamki (DME), nawet przewyższał wyniki uzyskane w zbiorze wewnętrznym. Z kolei w trudniejszych obszarach, takich jak gradacja pełnego spektrum DR, wyniki były słabsze, co wskazuje na konieczność dalszego zwiększenia liczby danych i ich różnorodności.
Szczególnie istotne jest zastosowanie heatmap, które pozwalają zwizualizować, na które obszary obrazu system zwraca największą uwagę. Dzięki temu możliwe jest częściowe otwarcie „czarnej skrzynki” sieci neuronowych i zwiększenie zaufania lekarzy do podejmowanych decyzji. Heatmapy wykazały, że system prawidłowo identyfikuje kluczowe struktury, takie jak tarcza nerwu wzrokowego czy obszary mikrotętniaków, choć bywał rozpraszany elementami brzegowymi obrazu.
W porównaniach bezpośrednich z okulistami system DRAMA uzyskał wyższą dokładność (90,9% vs. 83,6% u specjalisty), szczególnie w rozpoznawaniu mikrotętniaków, wysięków miękkich i neowaskularyzacji. Słabsze wyniki dotyczyły oceny blizn po laseroterapii, co wynikało z mniejszej liczby przykładów w zbiorze treningowym. Mimo to przewaga AI w szybkości i stabilności analizy jest niepodważalna.
Autorzy podkreślają, że DRAMA może być szczególnie przydatna w krajach o ograniczonym dostępie do okulistów, wspierając triage pacjentów i kierując osoby wymagające interwencji na dalsze leczenie. Ponadto system może pełnić funkcję narzędzia wspomagającego decyzje kliniczne także dla mniej doświadczonych lekarzy, ujednolicając standardy opieki okulistycznej w różnych regionach świata.
Jednocześnie zwrócono uwagę na pewne ograniczenia badania. Po pierwsze, liczba obrazów była stosunkowo niewielka, a dane pochodziły głównie od pacjentów z Azji i Europy, co ogranicza globalną reprezentatywność. Po drugie, diagnostyka DME wyłącznie na podstawie fotografii dna oka ma swoje ograniczenia i powinna być uzupełniona o obrazowanie OCT. Po trzecie, w badaniu nie uwzględniono dodatkowych danych klinicznych (np. poziomu HbA1c, czasu trwania cukrzycy), które mogłyby jeszcze bardziej zwiększyć precyzję diagnostyczną.
Podsumowując, badanie dowodzi, że systemy AI oparte na wielozadaniowym uczeniu i heterogenicznych zbiorach danych mają realny potencjał zmiany praktyki klinicznej w diagnostyce cukrzycowej retinopatii. DRAMA nie tylko przewyższa specjalistów w zakresie szybkości analizy, ale również osiąga bardzo wysoką dokładność diagnostyczną, przy zachowaniu przejrzystości dzięki metodom wizualizacji. Integracja tego typu rozwiązań z codzienną praktyką kliniczną może przyczynić się do wcześniejszego wykrywania DR, lepszego wykorzystania zasobów medycznych i zmniejszenia globalnego obciążenia ślepotą cukrzycową.
Piśmiennictwo
1. Wu H, Jin K, Jing Y, Shen W, Tham YC, Pan X, Koh V, Grzybowski A, Ye J. Diabetic Retinopathy Assessment through Multitask Learning Approach on Heterogeneous Fundus Image Datasets. Ophthalmol Sci. 2025 Mar 11;5(5):100755.
2. Gulshan V, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016.
3. Ting DSW, et al. Development and validation of a deep learning system for diabetic retinopathy and related eye diseases. JAMA. 2017.
4. Dai L, et al. A deep learning system for detecting diabetic retinopathy across the disease spectrum. Nat Commun. 2021.
5. Ipp E, et al. Pivotal evaluation of an artificial intelligence system for autonomous detection of referable diabetic retinopathy. JAMA Netw Open. 2021.
6. Jin K, Ye J. Artificial intelligence and deep learning in ophthalmology: current status and future perspectives. Adv Ophthalmol Pract Res. 2022.
7. Xie Y, et al. Artificial intelligence for teleophthalmology-based diabetic retinopathy screening in a national programme: an economic analysis modelling study. Lancet Digit Health. 2020.
8. Liu H, et al. Economic evaluation of combined population-based screening for multiple blindness-causing eye diseases in China. Lancet Glob Health. 2023.
9. Yang Y, et al. Robust collaborative learning for diabetic retinopathy grading from fundus images. IEEE Trans Cybern. 2022.
10. Wilkinson CP, et al. Proposed international clinical diabetic retinopathy and diabetic macular edema disease severity scales. Ophthalmology. 2003.
11. Wu H, et al. DRAMA – Diabetic Retinopathy Assessment through Multi-task Learning Approach on Heterogeneous Fundus Image Datasets. Ophthalmology Science. 2025.