Wykorzystanie optycznej tomografii koherencyjnej i uczenia maszynowego do wykrywania zaburzeń widzenia u dzieci z nerwiakowłókniakowatością typu 1

Dlaczego to ważne dla wzroku dzieci

U dzieci z rzadką chorobą genetyczną zwaną nerwiakowłókniakowatością typu 1 (NF‑1) utrata wzroku może być poważnym, zmieniającym życie powikłaniem. Lekarze już wykorzystują nieinwazyjne badanie oka zwane optyczną tomografią koherencyjną (OCT) do oglądania drobnych struktur w tylnej części oka, ale przekształcenie tych obrazów w jasne ostrzeżenia, które dzieci są zagrożone, bywa trudne. W tym badaniu sprawdzono, czy rozpoznawanie wzorców przez komputer, znane jako uczenie maszynowe, może przekształcić rutynowe pomiary OCT w system wczesnego ostrzegania przed problemami z widzeniem u tych małych pacjentów.

Choroba genetyczna z ukrytym ryzykiem dla oczu

NF‑1 występuje u około jednego na 2 500–3 000 noworodków i może powodować szeroki zakres zmian skórnych, nerwowych i okulistycznych. Jednym z najpoważniejszych zagrożeń jest rozwój guzów wzdłuż drogi wzrokowej, zwanych glejakami drogi wzrokowej. Około jedno na pięcioro dzieci z NF‑1 rozwinie takie guzy, często w okolicach piątego roku życia, a część z nich dozna trwałej utraty ostrości lub pola widzenia. Ponieważ małe dzieci mogą nie zauważyć lub nie zgłosić pogorszenia widzenia, lekarze muszą polegać na regularnych badaniach i skanach mózgu, by wychwycić problemy wcześnie — procedury te bywają stresujące, czasochłonne i czasem niejednoznaczne.

Bliższe spojrzenie na „okablowanie” oka

OCT działa podobnie do ultradźwięków, ale używa światła zamiast dźwięku, tworząc szczegółowe przekrojowe obrazy siatkówki i nerwu wzrokowego. Zespół badawczy skupił się na grubości konkretnych warstw, zwłaszcza warstwy włókien nerwowych siatkówki oraz warstw komórek zwojowych, które przekazują sygnały wzrokowe z oka do mózgu. Zebrali 515 badań OCT od 168 dzieci i nastolatków w wieku 3–19 lat, niektóre z prawidłowym wzrokiem, inne wykazujące obniżoną ostrość wzroku podczas jednej lub więcej wizyt. Zamiast analizować każdy piksel każdego skanu, naukowcy użyli prostych podsumowań liczbowych — ogólnych grubości kluczowych warstw w centrum siatkówki (plamka) i wokół nerwu wzrokowego — co ułatwiało powiązanie wyników z rzeczywistą anatomią i praktyką kliniczną.

Szkolenie komputerów do wykrywania wczesnych sygnałów ostrzegawczych

Następnie badacze przetestowali dziewięć różnych podejść uczenia maszynowego, aby sprawdzić, które najlepiej rozróżnia normalne od nieprawidłowego widzenia, używając wyłącznie tych pomiarów grubości. Zwrócili szczególną uwagę na uniknięcie zbyt optymistycznych rezultatów, upewniając się, że dane od tego samego dziecka nigdy nie pojawiały się jednocześnie w zbiorach treningowych i testowych. Modelem, który okazał się najlepiej dopasowany do zastosowania przesiewowego, był Balanced Random Forest — inaczej zespół drzew decyzyjnych dostrojony do nierównych rozkładów klas. Korzystając tylko z pomiarów plamki, model poprawnie rozdzielał przypadki normalne od nieprawidłowych z polem pod krzywą wynoszącym 0,82 i wykrywał około dwóch trzecich dzieci z problemami wzrokowymi — czułość uznawana za wartościową, gdy priorytetem jest nie przeoczyć pacjentów zagrożonych.

Od liczb do praktycznych progów

Aby system był zrozumiały dla klinicystów, zespół zastosował metodę wyjaśniającą, która pokazuje, jak bardzo każda cecha przesuwa model w stronę przewidywania widzenia normalnego lub nieprawidłowego. Wyjawiło to, że ścieńczenie warstwy włókien nerwowych siatkówki oraz łączonych warstw komórek zwojowych, zarówno w plamce, jak i w okolicy nerwu, było silnie związane z utratą widzenia. Badacze poszli o krok dalej i wykorzystali te wyjaśnienia do wyprowadzenia wstępnych wartości granicznych — na przykład grubość włókien nerwowych w plamce mniejsza niż około 34 mikrometry wiązała się ze znacznie wyższym odsetkiem dzieci z nieprawidłowym wzrokiem. Testowali też, jak wzrasta ryzyko, gdy coraz więcej warstw przekracza swoje progi: dzieci z przekroczonymi trzema lub więcej progami były znacznie bardziej prawdopodobne, by mieć problemy ze wzrokiem niż te, które ich nie przekroczyły, co sugeruje, że łączenie kilku subtelnych zmian może wyostrzyć oceny ryzyka.

Co to oznacza dla rodzin i lekarzy

Badanie pokazuje, że proste pomiary dostępne z standardowych skanów OCT można przekształcić w przejrzyste, oparte na danych narzędzie do sygnalizowania dzieci z NF‑1, które mogą rozwijać uszkodzenia zagrażające wzrokowi. Zamiast zastępować lekarzy, takie modele mogłyby wskazywać, które dzieci wymagają bliższej obserwacji, wcześniejszego leczenia lub dodatkowych badań. Proponowane progi grubości i reguły „liczby nieprawidłowych warstw” nie są jeszcze gotowe do samodzielnego kierowania leczeniem; trzeba je zweryfikować w większych, wieloośrodkowych badaniach. Mimo to praca ta sugeruje, że połączenie precyzyjnego obrazowania oka z wyjaśnialną sztuczną inteligencją może pomóc chronić wzrok w grupie narażonych dzieci, wychwytując problemy zanim staną się nieodwracalne.

Cytowanie: Cañada, C.F., Parcerisas, J.G., Bartomeu, J.P. et al. Utilizing optical coherence tomography and machine learning to identify vision abnormalities in pediatric neurofibromatosis type 1 patients. Sci Rep 16, 7237 (2026). https://doi.org/10.1038/s41598-026-37900-5

Słowa kluczowe: nerwiakowłókniakowatość typu 1, wzrok pediatryczny, optyczna tomografia koherencyjna, uczenie maszynowe, warstwa włókien nerwowych siatkówki