Automatyczna diagnoza zwyrodnienia plamki żółtej związana z wiekiem z wykorzystaniem uczenia maszynowego i technik przetwarzania obrazów

Dlaczego to ma znaczenie dla twojego wzroku

W miarę jak ludzie żyją dłużej, coraz więcej z nas zmaga się ze zwyrodnieniem plamki żółtej związanym z wiekiem (AMD) — chorobą, która stopniowo niszczy widzenie centralne i może utrudnić lub uniemożliwić czytanie, prowadzenie samochodu czy rozpoznawanie twarzy. Okuliści potrafią dostrzec wczesne sygnały ostrzegawcze na zdjęciach tylnej części oka, ale ręczna analiza tysięcy pacjentów jest czasochłonna i wymaga wyspecjalizowanych ekspertów. Badanie to pokazuje, jak przejrzyste narzędzie oparte na uczeniu maszynowym może pomóc wykrywać AMD wcześnie na podstawie rutynowych zdjęć oka, bez polegania na kruchych, trudnych do wyjaśnienia „czarnych skrzynkach” głębokiego uczenia.

Poszukiwanie zmian w strefie ostrego widzenia

AMD atakuje plamkę — małe, ciemne miejsce w pobliżu środka siatkówki, które odpowiada za ostre, szczegółowe widzenie. Wiele automatycznych systemów próbuje wykryć drobne tłuszczowe złogi zwane grudkami (drusen) na zdjęciach całego oka, ale grudki łatwo pomylić z innymi jasnymi plamami, takimi jak niewielkie krwawienia, a ich kształt i rozmiar bywają bardzo zróżnicowane. Utrudnia to ich niezawodne wykrywanie komputerowe, a nawet eksperci muszą potem dokładnie sprawdzać wyniki. Autorzy wybierają inną drogę: zamiast szukać bezpośrednio grudek na całej siatkówce, skupiają się na samym obszarze plamki i mierzą, jak zmieniają się jej tekstura i kolor, gdy obecne jest AMD.

Od surowego zdjęcia do „odcisku palca” plamki

System zaczyna od kolorowego zdjęcia tylnej części oka, zwanego obrazem dna oka (fundus image). Najpierw poprawia kontrast za pomocą standardowych kroków przetwarzania obrazu, aby łatwiej było rozróżnić obszary ciemne i jasne. Następnie automatycznie lokalizuje tarczę nerwu wzrokowego — jasny, okrągły obszar, gdzie wychodzą nerwy — i, korzystając z jego znanej relacji geometrycznej do plamki, przeszukuje wąski pas obrazu w poszukiwaniu najciemniejszego regionu pasującego do oczekiwanego rozmiaru i pozycji plamki. Wokół tego punktu system przycina mały prostokąt: to interesujący obszar zawierający tkankę najbardziej prawdopodobną do ujawnienia wczesnych uszkodzeń związanych z AMD.

Przekształcanie wzorców i kolorów w liczby

W obrębie tego fragmentu plamki badacze obliczają dużą liczbę opisów numerycznych, tzw. „ręcznie wyodrębnionych cech”. Cechy tekstury opisują, jak rozmieszczone są intensywności pikseli — czy powierzchnia wygląda na gładką, cętkowaną czy nieregularną — natomiast cechy koloru rejestrują przesunięcia jasności i barwy, które mogą odzwierciedlać zmiany pigmentu i kondycji tkanki. Łącznie mierzą 140 wartości tekstury i 48 wartości koloru dla każdego obrazu oka. Ponieważ nie wszystkie te liczby są równie użyteczne, zespół stosuje testy statystyczne i metodę rankingu cech, aby wybrać mniejszy podzbiór najlepiej rozdzielający oczy zdrowe i z AMD, odsiewając redundantne lub zaszumione pomiary.

Nauczanie maszyn rozpoznawania „AMD” lub „normalne”

Mając wybrane cechy, autorzy uczą kilka znanych klasyfikatorów uczenia maszynowego — Support Vector Machine (SVM), k‑Nearest Neighbor, Naiwny Bayes oraz prostą sieć neuronową — rozróżniania oczu zdrowych od dotkniętych AMD. Wykorzystują dwie publiczne kolekcje obrazów siatkówki: zestaw STARE, zawierający 35 obrazów normalnych i 74 z AMD, oraz większy zestaw ODIR, z setkami oznakowanych przypadków. Aby sprawdzić niezawodność, wielokrotnie dzielą każdy zbiór na części treningowe i testowe, rotując obrazy tak, by każde oko przynajmniej raz pełniło rolę testowego, a następnie mierzą dokładność, wskaźnik błędów i jak często AMD jest poprawnie wykrywane.

Jasne wyniki i jaśniejsze uzasadnienie

We wszystkich testach wyróżnia się klasyfikator SVM wykorzystujący cechy tekstury z obszaru plamki. W zestawie STARE poprawnie rozróżnia AMD od oczu normalnych niemal w 99% przypadków; w ODIR dokładność wynosi około 95%. Informacje o teksturze okazują się silniejsze niż sam kolor, a połączenie obu typów cech nie przewyższa wydajności samych cech tekstury. Chociaż niektóre systemy głębokiego uczenia opisane w literaturze osiągają porównywalne lub nieco wyższe wyniki, wymagają one dużych ilości oznakowanych danych i dają niewiele wskazówek, na jakie sygnały obrazowe się opierają. W przeciwieństwie do nich ręcznie zdefiniowane cechy tekstury i koloru w tym badaniu odpowiadają rozpoznawalnym strukturom w siatkówce, co czyni system bardziej interpretowalnym dla klinicystów.

Co to oznacza dla pacjentów

Mówiąc prosto, badanie pokazuje, że stosunkowo prosty, przejrzysty program komputerowy może obejrzeć standardowe zdjęcie oka, powiększyć plamkę i — z bardzo wysoką wiarygodnością — oznaczyć, czy prawdopodobnie występuje AMD, bez konieczności uprzedniego śledzenia każdego drobnego złogu. Takie narzędzie mogłoby pomóc gabinetom okulistycznym i programom przesiewowym szybko sortować duże liczby obrazów, zapewniając, że pacjenci z wczesnymi zmianami trafiają wcześniej do specjalistów, a jednocześnie dać lekarzom klarowniejszy obraz wzorców, których maszyna używa do swojej decyzji.

Cytowanie: Agarwal, D., Bhargava, A., Alsharif, M.H. et al. Automatic diagnosis of age-related macular degeneration using machine learning and image processing techniques. Sci Rep 16, 5037 (2026). https://doi.org/10.1038/s41598-026-35428-2

Słowa kluczowe: zwyrodnienie plamki związane z wiekiem, obrazowanie siatkówki, uczenie maszynowe, wczesne wykrywanie chorób, analiza obrazów medycznych