Zautomatyzowana diagnoza postaci "plus" i wczesnych etapów ROP przy użyciu modeli głębokiego uczenia

Dlaczego małe oczy i inteligentne komputery mają znaczenie

Co roku tysiące przedwcześnie urodzonych niemowląt są narażone na utratę wzroku, ponieważ naczynia krwionośne w tylnej części oka nie rozwijają się prawidłowo — stan zwany retinopatią wcześniaków (ROP). Wczesne wykrycie tego problemu może uratować wzrok, lecz wymaga częstych badań okulistycznych przeprowadzanych przez wysoko wyszkolonych specjalistów — ekspertów, których brakuje w wielu częściach świata. Badanie to analizuje, jak nowoczesna sztuczna inteligencja (AI) może pomóc lekarzom wykrywać wczesne sygnały ostrzegawcze na fotografiach siatkówki, potencjalnie udostępniając poziom przesiewu ekspertów szpitalom i klinikom pozbawionym specjalistycznej opieki okulistycznej.

Problem: kruche widzenie u najmniejszych pacjentów

ROP rozwija się, gdy przedwczesne urodzenie przerywa normalny rozwój naczyń krwionośnych w siatkówce — światłoczułej warstwie z tyłu oka. Największe ryzyko występuje u niemowląt urodzonych bardzo wcześnie lub o bardzo niskiej masie urodzeniowej. W łagodnych przypadkach oko regeneruje się samo. W ciężkich przypadkach nieprawidłowe naczynia mogą ciągnąć siatkówkę i powodować trwałą ślepotę. Na świecie ROP powoduje ślepotę u szacunkowo 50 000 osób, szczególnie w regionach, gdzie poprawa opieki neonatologicznej zwiększyła przeżywalność, ale programy przesiewowe i specjaliści w okulistyce nie nadążyli. Obecne badania przesiewowe są pracochłonne, kosztowne i subiektywne: zdarza się, że dwaj eksperci różnią się co do stopnia nasilenia choroby u niemowlęcia.

Na co zwracają uwagę lekarze: skręcone naczynia i wczesne etapy

Okuliści oceniają ROP, analizując dwa główne wskaźniki na obrazach siatkówki. Pierwszy to ogólny etap choroby, od stadium 0 (brak widocznych zmian) przez wczesne stadia problemu (1–3). Drugim jest tzw. postać "Plus" — sygnał ostrzegawczy, w którym naczynia krwionośne na siatkówce stają się niezwykle rozszerzone i skręcone. Postać "Plus" oznacza większe ryzyko poważnych uszkodzeń i często inicjuje leczenie, takie jak terapia laserowa lub podania leków. Ocena tych cech gołym okiem jest trudna, zwłaszcza gdy obrazy są rozmyte lub gdy niemowlęta wymagają powtarzanych badań co tydzień. System, który automatycznie wykrywałby postać "Plus" i szacowałby stadium ROP wyłącznie na podstawie obrazów, byłby potężnym narzędziem wspomagającym klinicystów.

Jak AI widzi: wyznaczanie map naczyń z fotografii oka

Badacze stworzyli dwuetapową ścieżkę AI, wykorzystując ponad 6000 obrazów siatkówki od 188 niemowląt. Najpierw wytrenowali sieć neuronową do rysowania precyzyjnej "mapy naczyń" każdej siatkówki, uwydatniając każdą widoczną tętniczkę i jej najdrobniejsze odgałęzienia. Spośród kilku konkurujących modeli przetwarzania obrazu najlepsze wyniki w przechwytywaniu szczegółowych wzorców naczyń, szczególnie w zaszumionych lub niskokontrastowych obrazach, osiągnęła wersja nazwana U-Net++. Aby poprawić czytelność, zespół wstępnie zwiększał kontrast i redukował szumy na zdjęciach przed segmentacją. Do wykrywania postaci "Plus" do drugiej sieci neuronowej podawano jedynie mapy naczyń — nie pełne, kolorowe zdjęcia — ponieważ postać "Plus" definiowana jest niemal wyłącznie przez grubość i skrzywienie naczyń.

Nauczanie sieci oceniania nasilenia choroby

Do oceny stadium ROP AI potrzebowała więcej niż samego kształtu naczyń. System połączył więc oryginalne kolorowe obrazy siatkówki z odpowiadającymi im mapami naczyń, dając modelowi zarówno ogólny widok siatkówki, jak i wyostrzone informacje o naczyniach. Zespół przetestował kilka znanych architektur głębokiego uczenia i stwierdził, że model o nazwie EfficientNetB4 oferuje najlepszy kompromis między dokładnością a wydajnością. Na zestawie walidacyjnym detektor postaci "Plus" osiągnął dokładność 99,6 procent, podczas gdy klasyfikator stadium uzyskał 98 procent dokładności w stadium 0–3. Dodatkowe analizy, w tym krzywe precyzja–czułość i krzywe ROC, wykazały, że model utrzymywał wysoką czułość (rzadko pomijał chorobę) i wysoką specyficzność (rzadko generował fałszywe alarmy), mimo że postać "Plus" była znacznie rzadsza niż obrazy prawidłowe.

Prześwietlanie "czarnej skrzynki"

Ponieważ klinicyści muszą ufać narzędziu wpływającemu na decyzje terapeutyczne, autorzy zbadali, jak ich AI podejmuje wybory. Przy użyciu metod wizualizacyjnych, takich jak t-SNE, pokazali, że obrazy z różnych klas (na przykład Plus vs. Normalne lub Stadium 1 vs. Stadium 3) tworzyły dobrze rozdzielone klastry w wewnętrznej przestrzeni cech modelu. Za pomocą map cieplnych metodą Grad-CAM wskazali, które części każdej siatkówki miały najsilniejszy wpływ na predykcję. W przypadku postaci "Plus" model skupiał się na obszarach, gdzie naczynia były abnormally szerokie lub skręcone, pokrywając się z kryteriami ekspertów. Przy ocenie stadium zwracał także uwagę na inne rejony, takie jak tarcza nerwu wzrokowego i plamka, co sugeruje, że jego rozumowanie odpowiada ustanowionym kryteriom medycznym, a nie przypadkowym artefaktom obrazu.

Co to oznacza dla niemowląt i klinik

Mówiąc wprost, praca ta pokazuje, że starannie zaprojektowany system AI może interpretować obrazy siatkówki wcześniaków z dokładnością zbliżoną do ekspertów, zarówno w wykrywaniu niebezpiecznych zmian naczyniowych, jak i w ocenie zaawansowania choroby. Badanie przeprowadzono w jednym ośrodku medycznym i objęło jedynie stadia od wczesnych do umiarkowanych, więc potrzebne są większe, wieloośrodkowe próby oraz dane z bardziej zaawansowanych przypadków. Mimo to wyniki sugerują, że przy dalszej walidacji i ostrożnej integracji z platformami telemedycznymi takie narzędzia mogłyby pomóc przeciążonym systemom opieki zdrowotnej przesiewać znacznie więcej niemowląt, w sposób bardziej spójny i przy niższych kosztach. To mogłoby oznaczać wcześniejsze leczenie i większą szansę zachowania wzroku u niektórych z najbardziej wrażliwych pacjentów w opiece neonatologicznej.

Cytowanie: Vahidmoghadam, M., Ghorbani, P., Ahmadi, M.J. et al. Automated diagnosis of plus form and early stages of ROP using deep learning models. Sci Rep 16, 7234 (2026). https://doi.org/10.1038/s41598-026-37064-2

Słowa kluczowe: retinopatia wcześniaków, sztuczna inteligencja, głębokie uczenie, obrazowanie medyczne, choroba oka noworodka