Omówienie artykułu pt. „Przegląd systematyczny postępów w analizie obrazów angiografii fluoresceinowej dna oka (FFA) wspomaganej sztuczną inteligencją: od wykrywania do generowania raportów” (A Systematic Review of Advances in AI-Assisted Analysis of Fundus Fluorescein Angiography (FFA) Images: From Detection to Report Generation) opublikowanego w Ophthalmology & Therapy 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”
Angiografia fluresceinowa siatkówki (FFA) od wielu dekad pozostaje złotym standardem w diagnostyce chorób siatkówki, takich jak retinopatia cukrzycowa, niedrożność żylna siatkówki czy zwyrodnienie plamki związane z wiekiem. Metoda ta, dzięki kontrastowi fluoresceiny, umożliwia dokładne zobrazowanie naczyń siatkówki, ocenę przepływu krwi, wykrycie obszarów niedokrwienia, mikrotętniaków, wycieków czy neowaskularyzacji. Jednak tradycyjna interpretacja FFA wymaga ogromnego doświadczenia, jest czasochłonna i obarczona ryzykiem subiektywności. W konsekwencji pojawia się zapotrzebowanie na technologie, które nie tylko przyspieszą proces diagnostyczny, ale również zwiększą jego powtarzalność i dokładność. W tym kontekście sztuczna inteligencja (AI) – zwłaszcza metody głębokiego uczenia – zaczyna odgrywać kluczową rolę.
W ostatnich latach obserwujemy gwałtowny rozwój narzędzi AI wspierających analizę obrazów FFA. Autorzy przeglądu systematycznego podjęli próbę podsumowania najnowszych osiągnięć w tej dziedzinie, obejmując badania opublikowane w latach 2019–2024. Łącznie uwzględniono 23 prace, które analizowały zastosowanie algorytmów uczenia maszynowego w wykrywaniu zmian chorobowych, wspomaganiu diagnozy oraz automatycznym generowaniu raportów medycznych. Wyniki tego przeglądu ukazują, że AI może zrewolucjonizować praktykę kliniczną, czyniąc proces diagnostyczny szybszym, dokładniejszym i mniej zależnym od indywidualnych różnic w ocenie lekarzy.
Pierwszym obszarem, w którym AI wniosła istotny wkład, jest automatyczne wykrywanie zmian chorobowych. Modele głębokiego uczenia zostały z powodzeniem zastosowane do segmentacji naczyń, identyfikacji mikrotętniaków, obszarów braku perfuzji czy przecieków fluoresceiny. Przykładem może być praca Jin i wsp., którzy wykorzystali sieci neuronowe do analizy ponad 3000 sekwencyjnych obrazów FFA u pacjentów z obrzękiem plamki w retinopatii cukrzycowej. Model ten osiągnął wysoką precyzję w wykrywaniu obszarów niedokrwienia, porównywalną z oceną ekspertów. Podobnie, architektura MCU-net zaproponowana przez Sun i wsp. umożliwiła dokładną segmentację naczyń w sekwencyjnych obrazach, zachowując drobne szczegóły mikrokrążenia. To niezwykle istotne, gdyż właśnie subtelne zmiany w strukturze naczyń często przesądzają o rozpoznaniu i dalszym leczeniu.
Drugim obszarem intensywnie rozwijanym jest wsparcie diagnostyczne. AI zaczyna pełnić funkcję nie tylko pomocniczą, ale także równorzędną wobec lekarza w rozpoznawaniu chorób siatkówki. Na przykład Huang i współpracownicy stworzyli system automatycznej diagnostyki niedrożności żyły siatkówkowej na podstawie obrazów FFA, który osiągnął dokładność równą, a czasem przewyższającą okulistów. Z kolei Li i wsp. połączyli konwolucyjne sieci neuronowe z mechanizmem uwagi, aby równocześnie diagnozować retinopatię cukrzycową, zakrzepy i AMD. W tym przypadku skuteczność modeli była porównywalna z wynikami uzyskiwanymi przez specjalistów, co podkreśla potencjał AI jako narzędzia wspomagającego podejmowanie decyzji klinicznych. Warto zaznaczyć, że wykorzystanie AI w diagnostyce wielochorobowej to ogromny krok naprzód, ponieważ w praktyce klinicznej pacjenci często prezentują złożone obrazy z nakładającymi się patologiami.
Trzecim obszarem jest automatyczne generowanie raportów. To jedna z najbardziej przełomowych innowacji, gdyż pozwala znacząco odciążyć lekarzy. Chen i współautorzy opracowali system oparty na Bootstrapping Language-Image Pre-training, który na podstawie setek tysięcy obrazów i raportów lekarskich uczy się generować własne opisy badań. Model ten nie tylko tworzy spójne i szczegółowe raporty, lecz także odpowiada na pytania diagnostyczne, pełniąc funkcję interaktywnego asystenta. Dzięki temu proces dokumentacji staje się szybszy, a ryzyko pominięcia istotnych informacji maleje.
Oczywiście, mimo obiecujących wyników, przed powszechnym zastosowaniem AI stoją liczne wyzwania. Jednym z nich jest ograniczona różnorodność danych treningowych. Większość modeli powstaje w oparciu o dane z jednego ośrodka lub regionu, co utrudnia ich generalizację do populacji o odmiennych cechach demograficznych. Kolejnym problemem jest przejrzystość modeli – tzw. „black box” wciąż budzi obawy lekarzy, którzy chcą rozumieć proces podejmowania decyzji przez algorytm. Istotne są również kwestie etyczne, takie jak prywatność danych pacjentów i bezpieczeństwo ich przechowywania.
Mimo tych trudności, perspektywy rozwoju są niezwykle obiecujące. AI ma potencjał nie tylko w diagnostyce i monitorowaniu chorób siatkówki, ale także w prognozowaniu odpowiedzi na leczenie czy personalizacji terapii. Integracja takich systemów z telemedycyną może zwiększyć dostępność opieki okulistycznej w regionach o ograniczonej liczbie specjalistów. Z punktu widzenia ekonomii zdrowia, wczesne wykrywanie zmian i optymalizacja ścieżek leczenia oznaczają redukcję kosztów i lepsze wyniki zdrowotne pacjentów.
Podsumowując, przegląd Yu i współpracowników ukazuje sztuczną inteligencję jako narzędzie, które w najbliższych latach może stać się integralną częścią praktyki okulistycznej. Od automatycznego wykrywania zmian, przez wsparcie diagnostyczne, aż po generowanie raportów – AI wspiera lekarzy, odciąża system ochrony zdrowia i przyczynia się do poprawy jakości opieki nad pacjentem. Kluczowe będzie jednak dalsze doskonalenie modeli, zapewnienie ich przejrzystości, walidacja na dużych i zróżnicowanych populacjach oraz wypracowanie standardów wdrażania w praktyce klinicznej.
Piśmienictwo
1. Yu T, Shao A, Wu H, Su Z, Shen W, Zhou J, Lin X, Shi D, Grzybowski A, Wu J, Jin K. A Systematic Review of Advances in AI-Assisted Analysis of Fundus Fluorescein Angiography (FFA) Images: From Detection to Report Generation. Ophthalmol Ther. 2025 Apr;14(4):599-619.
2. Yu T, Shao A, Wu H, et al. A Systematic Review of Advances in AI-Assisted Analysis of Fundus Fluorescein Angiography Images. Ophthalmol Ther. 2025;14:599–619.
3. Jin H, et al. Deep learning for non-perfusion area detection in diabetic macular edema. Ophthalmol Ther. 2020.
4. Sun Y, et al. Multi-path cascade U-Net for vessel segmentation in FFA images. Med Image Anal. 2021.
5. Huang W, et al. AI-assisted diagnosis of retinal vein occlusion using FFA. Invest Ophthalmol Vis Sci. 2023.
6. Li D, et al. Multi-label classification of retinal diseases with CNNs and attention. Front Med. 2024.
7. Gao J, et al. Automatic analysis of FFA images for diabetic retinopathy. Diabetes Care. 2023.
8. Chen L, et al. Automated report generation from FFA images using pre-trained language-image models. IEEE Trans Med Imaging. 2024.
9. Zhao X, et al. Ai-Doctor: multi-task system for interpretation of FFA images. Ophthalmol Ther. 2023.
10. Veena P, et al. FFA-Lens: lesion detection framework for retinal angiography. Sci Rep. 2024.
11. Nunez do Rio J, et al. Automated segmentation of capillary non-perfusion in ultrawide field FFA. Retina. 2020.