פיתוח מודל למידת עומק לסינון גלאוקומה זווית פתוחה ראשונית בקרב אנשים ממוצא אפריקאי

מדוע זה חשוב לבריאות העין היומיומית

גלאוקומה היא אחת הסיבות המובילות לעוורון בלתי הפיך בעולם, ולעיתים קרובות גונבת ראייה בשקט עוד לפני שאנשים מבחינים בתסמינים. המחקר הזה בוחן כיצד בינה מלאכותית יכולה לסייע לזהות מוקדם יותר צורה שכיחה של גלאוקומה, במיוחד בקהילות ממוצא אפריקאי שנושאות סיכון גבוה יותר ונמצאות בתנאי גישה לקופת עיניים מומחית פחות טובים. על ידי לימוד מחשב לקרוא תמונות עיניים, החוקרים מקווים להכניס סינון גלאוקומה אמין אל מרפאות ברמת הקהילה, קליניקות מקומיות וסביבות עם משאבים מוגבלים ברחבי העולם.

האיום השקט על הראייה

גלאוקומה זווית פתוחה ראשונית פוגעת בהדרגה בעצב הראייה, הכבל שמעביר מידע חזותי מהעין אל המוח. בתחילה אנשים בדרך כלל מרגישים בסדר ורואים היטב, גם כאשר שדה הראייה הצדדי שלהם מתחיל להצטמצם. מאחר שהמחלה מתקדמת בשקט ובדיקות עיניים יכולות להיות ארוכות ונדירות באזורים רבים, חלק גדול מהחולים נשארים לא מאובחנים עד לאובדן ראייה קבוע. העול הזה כבד במיוחד באוכלוסיות ממוצא אפריקאי, שהן גם בעלות סבירות גבוהה יותר לפתח גלאוקומה וגם לסבול מעיוורון ממנה, ועד כה היו מיוצגות פחות במחקר רפואי ובמאגרי תמונות איכותיים.

מלמדים מחשבים לקרוא תמונות עין

הצוות בנה מערכת סינון אוטומטית החוקרת תמונות צבע של החלק האחורי של העין, הנקראות תמונות פונדוס. תמונות אלו זולות יחסית וקלות ללכידה, אפילו מחוץ למרפאת מומחים. מתוך יותר מ-64,000 תמונות שנאספו במחקר גנטי על גלאוקומה זווית פתוחה באפרו‑אמריקאים (POAAGG), החוקרים אימנו מודלי למידת עומק להבחין בין עיניים עם גלאוקומה וללא. הם השוו שתי גישות מתקדמות: מודל קונבולוציה "ResNet" ו"Vision Transformer", האחרון בוחן את התמונה בחלקים ויכול להדגים היכן הוא מרוכז — לעיתים קרובות באזור הגביע‑והדיסק של עצב הראייה, שבו מופיעים שינויים הקשורים לגלאוקומה.

לבחור קודם את התמונות החדות ביותר

בסינון במציאות, לעיתים נלקחות כמה תמונות בכל ביקור כדי להימנע מבעיות כמו הלבנת עיניים או טשטוש. במקום להכניס את כולן למודל, החוקרים בדקו האם בחירה זהירה של התמונות המידעיות ביותר יכולה לשפר את הדיוק. הם בדקו שתי אסטרטגיות בחירה אוטומטיות. אחת השתמשה במודל סגמנטציה כדי לבצע תיחום של עצב הראייה ולבחור תמונות עם מאפייני גודל מסוימים. השנייה — מסווג בינארי — למד לחקות את המדרגים המומחים במרכז קריאה, והפריד בין תמונות "טובות" לבין תמונות גרועות. בחירה של שישה תמונות באיכות גבוהה בלבד לכל ביקור באמצעות המסווג הבינארי השוותה לביצועי מדרגים אנושיים והצטיינה בבירור הן על שימוש בכל התמונות והן על שיטת הסגמנטציה.

לשלב רמזים רבים לתשובה אחת

לאחר בחירת התמונות הטובות מביקור, המערכת בחנה כל אחת מהן באמצעות ה-Vision Transformer וייצרה הסתברות לנוכחות גלאוקומה. החוקרים חקרו אחר כך כיצד להמיר כמה הסתברויות להחלטת סינון בודדת. חישוב הממוצע הפשוט על פני התמונות הנבחרות נתן את התוצאות האמינות ביותר, מעט טוב יותר מהסתמכות על הערך הקיצוני ביותר בלבד. בסך הכל, צינור העבודה הזה — בחירת תמונות על ידי המסווג הבינארי, תחזית לכל תמונה ולאחריה חישוב ממוצע — השיג יכולת גבוהה להפריד בין מקרים עם ובלי גלאוקומה. כאשר נבדק על סט נתונים נפרד של חולים סינים, המודל עדיין הופיע טוב, וניסוי נוסף הראה ששימוש בערכת אימון גדולה יותר היה קריטי להעברה מוצלחת בין קבוצות.

מה זה יכול להביא למטופלים

המחקר מראה שמערכת בינה מלאכותית מתוכננת בקפידה, המאומנת על מאגר גדול של תמונות עיניים מאנשים ממוצא אפריקאי, יכולה לזהות במדויק אנשים שעשויים לסבול מגלאוקומה באמצעות תמונות פשוטות בלבד. אף שהמערכת עדיין אינה מגיעה לספים המחמירים שחלק מהארגונים ממליצים עליהם לכלי אבחוני מלא, היא מתאימה היטב כתהליך מקדמי במקומות שבהם מומחי עיניים נדירים. עם אימות נוסף על אוכלוסיות ומצלמות מגוונות יותר, ואפשרות לשילוב עם בדיקות עיניים נוספות, טכנולוגיה כזו עשויה יום אחד להיות מוטמעת במרפאות כלליות, באירועי קהילה או במרכזי בריאות כפריים. המטרה ברורה: לאתר גלאוקומה מוקדם יותר, להפנות את בעלי הסיכון למומחים ולמנוע עיוורון שניתן למנוע — במיוחד בקהילות שנפגעו בייחוד.

ציטוט: Li, S., Salowe, R., Lee, R. et al. Development of deep learning model to screen for primary open-angle glaucoma in African ancestry individuals. npj Digit. Med. 9, 214 (2026). https://doi.org/10.1038/s41746-025-02318-2

מילות מפתח: בדיקת גילוי גלאוקומה, בינה מלאכותית, הדמיית הרשתית, בריאות אוכלוסיות ממוצא אפריקאי, רפואה ולמידת עומק