מסגרת אדפטיבית בזמן בדיקה לזיהוי מחלות עיניות מרובות המשתמשת במודלים בסיסיים לרפואה העינית

מדוע סריקות עיניים חכמות חשובות

מיליוני אנשים ברחבי העולם בסיכון לאובדן ראייה בעקבות מצבים כמו סוכרת, גלאוקומה ושינויים הקשורים לגיל בחלק האחורי של העין. רופאים יכולים לזהות רבים מהבעיות האלה בתמונות של פנים העין (תמונות פונדוס), אך בדיקה מדוקדקת של כל תמונה גוזלת זמן רב, במיוחד כאשר מספר מחלות עלולות להופיע בו‑זמנית. מחקר זה מציג את RetExpert, מערכת בינה מלאכותית חדשה שנועדה לפעול כמו מומחה עיניים רב‑תכליתי: היא יכולה לסרוק בו‑זמנית עבור מחלות רשתית רבות, להתמודד עם נתונים בלתי מסודרים מהעולם האמיתי ולהסתגל בזמן אמת למרפאות ומצלמות שונות.

זיהוי מספר בעיות עיניים בבת אחת

כלי AI טיפוסיים לסריקת עיניים מאומנים לזהות מחלה אחת בכל פעם ולעתים מניחים שהתמונות יהיו דומות לאלה שבאימון. מרפאות אמיתיות שונות. מטופלים לעתים קרובות סובלים ממספר מצבים עיניים בו‑זמנית, תוויות מחלה במאגרי נתונים אינן שלמות, ומצלמות ואוכלוסיות משתנות בין אתרים. RetExpert מתמודד עם זאת על ידי בנייה על "מודלים בסיסיים" — מערכות ראייה גדולות שאומנו תחילה על אוספים עצומים של תמונות רשתית. המודלים הבסיסיים הללו כבר מבינים תבניות מקובלות בתמונות פונדוס, כמו כלי דם, עצב הראייה והמקולה. RetExpert הופך את בלוקי המודל הללו ל"יחידות ידע אדפטיביות" ומוסיף שכבות מתאמות קטנות שניתן לכוונן במהירות עבור סינון רב‑מחלתי מבלי להפריע לידע היקר שנרכש.

שימוש טוב יותר בנתונים לא מאוזנים ומלאי אי‑וודאות

נתונים רפואיים מהעולם האמיתי נוטים להיות לא מאוזנים: מחלות נפוצות כמו רטינופתיה סוכרתית מופיעות הרבה יותר מאשר תסמינים נדירים. אם מאמנים בצורה naîve, ה‑AI יתמקד יתר על המידה במצבים תכופים ויתעלם ממקרים יוצאי דופן אך חשובים. RetExpert משתמש בגישה אימונית שמעניקה תשומת לב נוספת למחלות מיעוט כדי שהביצועים לא יתמוטטו על ממצאים נדירים. המערכת גם מכירה בכך שחלק מהתחזיות טבעית יותר לחוסר וודאות מאחרות. במקום להפיק ציון ביטחון יחיד כללי, RetExpert מעריך ציוני אי‑וודאות נפרדים לכל מחלה שהיא מתבקשת לזהות. נקודת מבט מחלה‑אחר‑מחלה זו קרובה יותר לאופן שבו קלינאים חושבים ומאפשרת למודל לטפל בתחזיות שבירות בזהירות במהלך שלבי ההסתגלות שלאחר מכן.

צמצום טעות בין מחלות דומות

בעשייה קלינית, חלק מהמחלה ברשתית עלולות להיראות דומות, ועלול להיות מזיק במיוחד אם מודל ה‑AI נותן תשובות סותרות בביטחון—כמו לקרוא לאותה תמונה גם "נורמלית" וגם "ניוון מקולרי". כדי להתמודד עם זה, המחברים בנו מטריצת התרחשות‑משותפת של מחלות פונדוס, סיכום מובנה של הסבירות שמשקלי מחלות מופיעים יחד על בסיס ידע רפואי וסטטיסטיקה. במהלך האימון, RetExpert לומד ליישר את הסתברויות הפלט שלו עם יחסים רפואיים סבירים אלה. הצוות גם הציג "ציון בלבול" שמודד כמה לעתים המודל מתבלבל בזוגות מחלות מסוימים. עם המידע על ההתרחשות‑המשותפת במקום, הבלבול בין זוגות קשים, כגון ניוון מקולרי והתמוטטות קוצר ראייה (מיאופיה גבוהה), ירד ביותר משליש, מה שהפך את התחזיות לאמינות יותר לשימוש קליני.

הסתגלות בזמן הבדיקה

אחד המכשולים הגדולים ביותר לפריסת AI בבתי חולים הוא "הסטת תחום": תמונות ממרפאה חדשה יכולות להיות שונות בגלל קבוצות מטופלים שונות, סוגי מצלמות או הגדרות הדמיה שונות. מערכות קונבנציונליות חייבות לעבור אימון מחדש או כוונון נרחב בכל פעם שהן מועברות לסביבה חדשה, דבר שיקר ואיטי. RetExpert במקום זאת מבצע הסתגלות קלה בזמן השימוש. כשהוא נתקל באצווה של תמונות חדשות, הוא מתאים בקצרה רק את שכבות המתאם הקטנות שלו ואת ראש ההחלטה הסופי, מונחה תחילה על ידי יציבות התכונות שלו ולאחר מכן על ידי תיוגים פתחוניים המשוקללים לפי הערכות אי‑הוודאות לכל מחלה. חשוב שהעדכונים הללו זמניים ומתאפסים אחרי כל אצווה, כך שהמודל הליבה לא נסחף עם הזמן, מה שמשמר בטיחות ושחזוריות תוך שמירה על גמישות לטווח הקצר.

כמה טוב זה עובד בשטח?

המחברים בדקו את RetExpert על שני מאגרי‑נתונים מרובי מחלות גדולים ששימשו לפיתוח ואחר כך על 15 מאגרי‑נתונים ציבוריים ופרטיים נוספים שנאספו ממדינות, מצלמות וסביבות קליניות שונות. ברוב המשימות—כולל זיהוי רטינופתיה סוכרתית, ניוון מקולרי הנגרם מגיל, גלאוקומה, שינויים מיאופיים וטוקסופלזמוזיס עיני—RetExpert השיג ביצועים התואמים או העולים על המודלים הבסיסיים המובילים הקיימים לרשתית. הוא גם הראה אמינות טובה יותר, עם ציוני בלבול נמוכים יותר ותוצאות חזקות יותר על מאגרי‑נתונים מאתגרים "מחוץ‑להפצה" המדמים בתי חולים ומכשירים חדשים. אף על פי שמערכות מומחות מאוד למחלה בודדת יכולות עדיין להיות מעט טובות יותר עבור אותה מטרה בודדת, RetExpert מקטין את הפער תוך שהוא מציע כיסוי רחב רב‑מחלתי בכלי מאוחד אחד.

צעד לקראת בדיקות עיניים אוטומטיות מהימנות

במונחים יומיומיים, RetExpert דומה לרופא עיניים כללי מנוסה המבוסס על מאגר ידע רחב משותף, מצויד בכלים לטיפול במחלות נדירות, להכיר מתי הוא אינו בטוח ולהסתגל במהירות למרפאות חדשות ללא אימון מחדש מתמשך. על ידי שילוב רכיבים אלה—מודולים אדפטיביים, למידה המודעת לאי‑וודאות, ידע רקע רפואי והסתגלות בזמן בדיקה—המסגרת מספקת סינון רב‑מחלתי מדויק ומהימן יותר מתמונות צבע פשוטות של החלק האחורי של העין. אם תמשיך להתפתח ולהיות מאומתת, מערכות כאלה עשויות לתמוך בזיהוי מוקדם של מצבים המאיימים על הראייה בקנה‑מידה רחב, במיוחד במקומות שבהם הגישה למומחי עיניים מוגבלת.

ציטוט: Jiang, H., Liu, Z., Gao, M. et al. A test-time clinically adaptive framework for detecting multiple fundus diseases harnessing ophthalmic foundation models. npj Digit. Med. 9, 300 (2026). https://doi.org/10.1038/s41746-026-02480-1

מילות מפתח: הדמיית רשתית, בינה מלאכותית רפואית, סינון רב‑מחלתי, מודלים בסיסיים, הסתגלות תחומית