Automatyczne wykrywanie i segmentacja pierścienia Weissa na zdjęciach dna oka przy użyciu uczenia głębokiego

Dlaczego drobne pierścienie w oku mają znaczenie

W miarę starzenia się wiele osób zauważa nowe „mętne” punkty przemieszczające się w polu widzenia. Większość z nich jest nieszkodliwa, lecz niektóre mogą sygnalizować zmiany, które czasami prowadzą do rozdarć siatkówki, a nawet utraty wzroku. Jednym z najbardziej charakterystycznych objawów takich zmian jest niewielka, pierścieniowata zmiana wewnątrz oka, nazywana pierścieniem Weissa. Na zwykłych zdjęciach oka ten pierścień bywa jednak słaby i łatwy do przeoczenia — nawet dla ekspertów, a zwłaszcza dla komputerów. W tym badaniu opisano nowy system sztucznej inteligencji, który uczy się wykrywać i obrysowywać pierścienie Weissa na standardowych fotografiach dna oka, przekształcając rutynowe obrazy w bogatsze źródło informacji klinicznych i badawczych.

Subtelna wskazówka na rutynowych zdjęciach oka

Wnętrze oka wypełnia przezroczysty żel, który z wiekiem stopniowo oddziela się od siatkówki — proces znany jako tylne odwarstwienie ciała szklistego. Gdy to odwarstwienie się zakończy, może pozostać unosząca się pętelka tkanki przed tarczą nerwu wzrokowego: pierścień Weissa. Jego obecność wskazuje, że oddzielenie się zakończyło i u niektórych pacjentów zgłaszających nagłe błyski lub męty może wyznaczać okienko czasowe, w którym siatkówka jest bardziej podatna na małe rozdarcia. Jednak pierścienie Weissa nie zawsze są widoczne, mogą znajdować się poza polem widzenia aparatu i często przypominają nieostre cienie. Tradycyjne systemy AI szkolone do wykrywania powszechnych chorób siatkówki w większości pomijały te struktury lub myliły je z artefaktami, pozostawiając ważną informację niewykorzystaną.

Nauczanie komputerów rozpoznawania pierścienia

Naukowcy zebrali 582 kolorowe fotografie oka z kilku publicznych baz danych i poprosili trzech specjalistów okulistyki o oznaczenie, które obrazy zawierają pierścień Weissa oraz o staranne odrysowanie jego konturu. Powstało w ten sposób 194 obrazy z pierścieniami i 388 bez nich. Następnie zbudowali system AI składający się z dwóch części. Jedna część, nazywana siecią segmentacyjną, nauczyła się tworzyć mapę piksel po pikselu, gdzie w obrazie znajduje się pierścień. Druga część, sieć klasyfikacyjna, nauczyła się decydować, czy pierścień w ogóle występuje na zdjęciu. Dodatkowy klasyfikator analizował jedynie maskę segmentacyjną, oceniając, czy zaznaczony obszar rzeczywiście wygląda jak pierścień. Na koniec prosty model statystyczny połączył dwa wyniki klasyfikacji w jedną, końcową predykcję.

Jak dobrze system działał

Na wydzielonym zestawie testowym, którego AI nie widziała podczas treningu, sieć obrysowująca pierścień tworzyła mapy, które w rozsądnym stopniu pokrywały się z rysunkami ekspertów, zwłaszcza w wyraźniejszych przypadkach. System był szczególnie czuły, wykrywając większość prawdziwych pierścieni, choć czasem oznaczał dodatkowe obszary tam, gdzie odbicia lub tekstura tła naśladowały pierścień. Gdy wynik segmentacji połączono z klasyfikatorem na poziomie całego obrazu, wykrywanie poprawiło się. System złożony poprawnie rozróżniał obrazy z pierścieniem od tych bez niego, osiągając wysoką wartość pola pod krzywą ROC (około 0,90) oraz solidną dokładność, a także dobrą zdolność wykluczania obrazów bez pierścienia. Wizualne mapy cieplne potwierdziły, że model koncentrował się głównie na obszarze wokół tarczy nerwu wzrokowego, gdzie zwykle pojawiają się pierścienie Weissa, co zwiększa zaufanie, że korzystał z klinicznie istotnych wskazówek, a nie z pozornych wzorców.

Co to może znaczyć dla opieki i badań

Autorzy podkreślają, że to narzędzie nie zastępuje pełnego badania okulistycznego ani zaawansowanych badań obrazowych, gdy ktoś zgłasza nagłe błyski lub męty. Standardowe fotografie obejmują tylko część siatkówki, a wielu pacjentów z odwarstwieniem ciała szklistego nigdy nie ma widocznego pierścienia. System przedstawiany jest raczej jako asystent: może sygnalizować zdjęcia do dokładniejszej oceny w dużych programach przesiewowych, pomagać stażystom w nauce rozpoznawania subtelnych pierścieni oraz umożliwiać badaczom przeszukiwanie tysięcy archiwalnych zdjęć, by badać częstość występowania pierścieni i ich związki z takimi czynnikami jak wiek, operacje czy inne choroby oczu. Ponieważ badanie użyło ograniczonej liczby publicznie dostępnych obrazów, przed zastosowaniem podejścia w codziennych decyzjach klinicznych potrzebne będą większe, rzeczywiste próby — najlepiej porównujące wyniki z obrazowaniem szerokokątnym lub skanami trójwymiarowymi.

Mały pierścień z dużym potencjałem danych

Mówiąc wprost, praca ta pokazuje, że komputer można wyszkolić nie tylko do stwierdzenia „tak lub nie” dotyczącego drobnego unoszącego się pierścienia w oku, lecz także do naszkicowania miejsca jego występowania. Choć system nadal jest dowodem koncepcji, a nie autorytetem diagnostycznym, otwiera drogę do zmiany często pomijanego elementu w sygnał możliwy do przeszukiwania w ogromnych zbiorach obrazów. Stosowany ostrożnie i w połączeniu z właściwym badaniem, taki AI może pomóc lekarzom i badaczom zwracać większą uwagę na subtelne męty, które opowiadają historię o starzeniu się oka.

Cytowanie: Kim, H., Ryu, S.Y., Yoo, T.K. et al. Automated detection and segmentation of Weiss ring in fundus photography images using deep learning. Sci Rep 16, 13787 (2026). https://doi.org/10.1038/s41598-026-44593-3

Słowa kluczowe: pierścień Weissa, obrazowanie siatkówki, uczenie głębokie, odwarstwienie ciała szklistego, medyczne AI