Omówienie artykułu pt. „Rewolucja AI w jaskrze: łączenie wyzwań z możliwościami” opublikowanego Prog Retin Eye Res. 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
Wprowadzenie
Glaucoma to druga najczęstsza przyczyna ślepoty na świecie, dotykająca ponad 76 milionów osób w 2020 roku, a prognozy wskazują na wzrost liczby przypadków do 111 milionów do 2040 roku. Choroba charakteryzuje się stopniową utratą funkcji komórek zwojowych siatkówki (RGC) oraz ich aksonów, prowadzącą do nieodwracalnych uszkodzeń nerwu wzrokowego i ubytków w polu widzenia. Wczesna diagnoza jest kluczowa dla skutecznej interwencji terapeutycznej i chirurgicznej.
Sztuczna inteligencja (AI) i jej poddziedziny, takie jak uczenie maszynowe (ML) i głębokie uczenie (DL), otwierają nowe możliwości w diagnostyce i zarządzaniu jaskrą. Mimo potencjału AI napotyka jednak wyzwania, takie jak trudności w etykietowaniu danych, brak standaryzacji kryteriów diagnostycznych, ograniczenia interpretacyjności algorytmów oraz bariery adaptacyjne podczas wdrażania klinicznego.
Zastosowania AI w diagnostyce i zarządzaniu jaskrą
- Wczesne wykrywanie: Obecne metody przesiewowe, oparte na pomiarze ciśnienia wewnątrzgałkowego (IOP) lub subiektywnych ocenach tarczy nerwu wzrokowego, są często nieskuteczne. AI umożliwia szybsze i bardziej obiektywne badania z wykorzystaniem obrazów dna oka, tomografii optycznej (OCT) oraz testów pola widzenia (VF).
- Analiza strukturalno-funkcjonalna: Algorytmy AI mogą przewidywać zmiany w polu widzenia na podstawie parametrów strukturalnych, takich jak grubość warstwy włókien nerwowych siatkówki (RNFL) czy morfologia tarczy nerwu wzrokowego.
- Detekcja progresji: AI skutecznie śledzi rozwój choroby, klasyfikuje jej zaawansowanie i identyfikuje nowe wzorce utraty pola widzenia.
- Innowacyjne rozwiązania: Przykłady narzędzi, takich jak FusionNet (łączącego dane z OCT i VF) oraz iGlaucoma (mobilnego rozwiązania do analizy VF), pokazują, jak AI może zrewolucjonizować dostępność i dokładność diagnostyki.
Kluczowe wyzwania
- Praca nad danymi
- Anotacja danych jest czasochłonna i kosztowna, wymagając specjalistycznej wiedzy w celu precyzyjnego etykietowania obrazów i danych medycznych.
- Wysoka jakość i różnorodność danych są kluczowe dla skuteczności modeli AI, ale ich pozyskanie w odpowiedniej skali pozostaje trudne.
- Publiczne bazy danych są nieliczne i często niedostatecznie reprezentują zróżnicowane populacje, co ogranicza uniwersalność modeli.
- Brak standaryzacji kryteriów diagnostycznych
- Różnice w definicjach jaskry (np. wartości współczynnika kubka do tarczy w obrazach dna oka) utrudniają porównywanie wyników badań.
- Subiektywne oceny lekarzy w początkowych stadiach choroby mogą prowadzić do niezgodności w etykietowaniu danych, co negatywnie wpływa na jakość modeli.
- Ograniczona interpretacyjność modeli
- „Czarna skrzynka” algorytmów AI, wynikająca z ich matematycznej złożoności, budzi sceptycyzm wśród lekarzy.
- Rozwiązania takie jak mapy cieplne (np. Grad-CAM) dostarczają jedynie ograniczonych informacji o funkcjonowaniu modeli.
- Adaptacja do różnych środowisk klinicznych
- Modele często nie radzą sobie z danymi spoza zestawów treningowych, co ogranicza ich przydatność w praktyce.
- Jakość obrazów w rzeczywistych warunkach klinicznych, np. z powodu różnic w sprzęcie diagnostycznym, wpływa na skuteczność modeli.
Perspektywy i możliwości
- Ochrona prywatności danych
◦ Federacyjne uczenie (FL) pozwala na tworzenie wspólnych modeli bez konieczności udostępniania danych, co sprzyja współpracy między instytucjami.
◦ Modele generatywne, takie jak sieci GAN, mogą tworzyć syntetyczne dane dla treningu modeli, zapewniając prywatność pacjentów. - Integracja multimodalnych danych
◦ Połączenie różnych typów danych, takich jak obrazy OCT, dane biometryczne i zapisy z elektronicznych kart zdrowia (EHR), może poprawić dokładność diagnostyczną AI.
◦ Badania nad biomarkerami genetycznymi i metabolomicznymi w jaskrze wspierają personalizację diagnostyki i leczenia. - Wykorzystanie smartfonów
◦ Aplikacje mobilne wspierane przez AI, takie jak systemy do pomiaru IOP czy analizy VF, mogą znacznie zwiększyć dostępność diagnostyki w regionach o ograniczonym dostępie do opieki okulistycznej. - Modele wielkoskalowe (LPMs)
◦ Duże modele wstępnie wytrenowane, takie jak ChatGPT, mogą wspierać lekarzy w analizie dokumentacji medycznej, edukacji pacjentów i prowadzeniu badań.
Wnioski
Rozwój AI w zarządzaniu jaskrą przynosi szereg korzyści, od poprawy wczesnej diagnostyki po zaawansowane metody monitorowania progresji. Jednak wdrożenie tych technologii wymaga przezwyciężenia barier związanych z dostępnością danych, interpretowalnością algorytmów i ich dostosowaniem do zróżnicowanych środowisk klinicznych. Wdrożenie multimodalnych danych, federacyjnego uczenia oraz rozwiązań mobilnych może stanowić klucz do sukcesu. W miarę jak AI staje się bardziej dostępna i zrozumiała, ma potencjał do przekształcenia opieki nad pacjentami z jaskrą na skalę globalną.
Piśmiennictwo
1. Li F, Wang D, Yang Z, Zhang Y, Jiang J, Liu X, Kong K, Zhou F, Tham CC, Medeiros F, Han Y, Grzybowski A, Zangwill LM, Lam DSC, Zhang X. The AI revolution in glaucoma: Bridging challenges with opportunities. Prog Retin Eye Res. 2024 Nov;103:101291.