Wykrywanie odwarstwienia siatkówki z krwotokiem ciałka szklistego na podstawie ultrasonograficznych obrazów oka z użyciem uczenia głębokiego

Dlaczego to ma znaczenie dla ratowania wzroku

Odwarstwienie siatkówki to okulistyczny stan naglący, który może odebrać wzrok w ciągu kilku godzin lub dni. Lekarze często polegają na badaniu ultrasonograficznym, gdy krew wewnątrz oka przesłania widok siatkówki. Jednak te ziarniste, pełne ech obrazy mogą być trudne do interpretacji, zwłaszcza na zatłoczonych oddziałach ratunkowych lub dla mniej doświadczonych klinicystów. Badanie to sprawdza, czy nowoczesna forma sztucznej inteligencji potrafi szybko i niezawodnie wykrywać groźne odwarstwienia siatkówki i towarzyszące im krwawienia na obrazach USG, pomagając lekarzom chronić wzrok pacjentów.

Widzieć przez zmętnienie w oku

Dwa zagrażające widzeniu problemy stoją w centrum tej pracy: odwarstwienie siatkówki, czyli odklejanie się tkanki światłoczułej od tylnej części oka, oraz krwotok do ciała szklistego, gdy krew przedostaje się do żelu wypełniającego oko. Gdy oko jest przejrzyste, lekarze oglądają siatkówkę bezpośrednio, by wykryć nieprawidłowości. Gdy jednak gęsta krew zaciemnia pole widzenia, sięgają po ultradźwięki, które ukazują jasne linie i nakrapiane wzory odbijające się od struktur wewnątrz oka. Niestety echa unoszącej się krwi mogą wyglądać myląco podobnie do cienkich, błonowych linii odklejonej siatkówki, co wprowadza niepewność dokładnie w momencie, gdy szybkie leczenie ma największe znaczenie.

Nauka komputera czytania skanów oka

Badacze wyszkolili system uczenia głębokiego oparty na metodzie wykrywania obiektów w czasie rzeczywistym znanej jako YOLOv5, aby rozróżniał trzy możliwości na obrazach USG: samo odwarstwienie siatkówki, sam krwotok do ciała szklistego lub oba jednocześnie. Zebrali 3 773 zdjęcia skanów wykonanych w ciągu kilku lat u pacjentów, u których podejrzewano te problemy. Doświadczone osoby specjalizujące się w okulistyce oznaczyły każde zdjęcie i narysowały ramki wokół obszarów chorobowych, dostarczając komputerowi przykłady do nauki. Obrazy podzielono następnie na zestawy do treningu, strojenia i końcowych testów, aby ocena wydajności systemu była uczciwa na obrazach, których wcześniej nie widział.

Wyostrzenie zamazanych obrazów dla maszyny

Ponieważ obrazy ultrasonograficzne są z natury rozmyte i zaszumione, zespół wypróbował kilka sposobów, aby przed podaniem ich do AI uwypuklić kluczowe struktury. Jedną z metod było unsharp masking, które subtelnie zwiększa kontrast wokół krawędzi, powodując, że nitkowate odwarstwienia siatkówki stają się jaśniejsze i wyraźniejsze bez wprowadzania widocznych artefaktów. Eksperymentowali też z progowaniem i binarizacją — konwersją obrazu do czerni i bieli w oparciu o jasność — aby zredukować mgłę rozproszonych ech krwi przy jednoczesnym zachowaniu ciągłych linii sygnalizujących odwarstwienie. W głównym procesie rozwoju łączyli te ulepszenia z powtarzanymi cyklami treningowymi i walidacją krzyżową, strategią pomagającą unikać nadmiernego dopasowania i zwiększać niezawodność na nowych danych.

Jak dobrze poradził sobie system

Po kilku rundach udoskonaleń końcowy model okazał się bardzo dokładny podczas testów na 543 wcześniej nieznanych obrazach. Prawidłowo rozpoznawał odwarstwienie siatkówki w 96,6% przypadków, krwotok do ciała szklistego w 99,2%, a szczególnie trudne połączenie obu schorzeń w 98,0%, osiągając ogólną dokładność bliską 98%. Badacze porównali także różne wersje YOLO i stwierdzili, że mimo iż nowsze modele radziły sobie dobrze w ogólnych benchmarkach obrazowych, YOLOv5 lepiej nadawał się do tego konkretnego zadania medycznego i zestawu danych. Dodatkowe eksperymenty pokazały, że choć niektóre kroki wstępnego przetwarzania nie zawsze same w sobie podnosiły średnią dokładność, poprawiały czytelność kluczowych struktur i okazały się szczególnie pomocne w najbardziej wizualnie mylących skanach.

Co to może oznaczać dla pacjentów i lekarzy

Dla pacjentów zgłaszających się na oddziały ratunkowe z nagłą utratą wzroku każda minuta ma znaczenie. Badanie sugeruje, że starannie wyszkolony system AI mógłby pełnić rolę szybkiej „drugiej pary oczu”, sygnalizując odwarstwienia siatkówki i poważne krwawienia na obrazach USG z precyzją na poziomie ekspertów. Narzędzie nie ma zastępować okulistów ani szerszego badania klinicznego, lecz wspierać ich — szczególnie gdy obrazy są trudne do interpretacji lub specjaliści nie są od razu dostępni. Zanim takie systemy staną się rutyną, będą musiały być przetestowane w wielu szpitalach, na różnych urządzeniach i w różnych przebiegach klinicznych. Mimo to wyniki wskazują na przyszłość, w której inteligentne oprogramowanie pomaga lekarzom szybciej i konsekwentniej ratować wzrok, gdy siatkówka jest zagrożona.

Cytowanie: Toyama, N., Hidaka, T., Tamura, H. et al. Deep learning-based detection of retinal detachment with vitreous hemorrhage in ocular ultrasound images. Sci Rep 16, 8398 (2026). https://doi.org/10.1038/s41598-026-38272-6

Słowa kluczowe: odwarstwienie siatkówki, krwotok ciała szklistego, ultrasonografia oka, uczenie głębokie, SZT w obrazowaniu medycznym