Opracowanie modelu głębokiego uczenia do przesiewania jaskry otwartego kąta u osób pochodzenia afrykańskiego

Dlaczego to ma znaczenie dla codziennego zdrowia oczu

Jaskra jest jedną z wiodących przyczyn nieodwracalnej ślepoty na świecie i często odbiera wzrok po cichu, zanim pacjenci zauważą jakiekolwiek objawy. Badanie to bada, jak sztuczna inteligencja może pomóc w wcześniejszym wykrywaniu powszechnej postaci jaskry, zwłaszcza w społecznościach osób pochodzenia afrykańskiego, które są obciążone zarówno wyższym ryzykiem, jak i gorszym dostępem do opieki okulistycznej. Ucząc komputer odczytywać fotografie oka, badacze mają nadzieję wprowadzić wiarygodne przesiewowe badania jaskry do przychodni podstawowej opieki, klinik środowiskowych i warunków o ograniczonych zasobach na całym świecie.

Ciche zagrożenie dla wzroku

Jaskra pierwotna otwartego kąta stopniowo uszkadza nerw wzrokowy, przewód przenoszący informacje wzrokowe z oka do mózgu. We wczesnym stadium osoby zwykle czują się dobrze i widzą poprawnie, nawet gdy ich pole widzenia bocznego zaczyna się kurczyć. Ponieważ choroba postępuje bezobjawowo, a badania okulistyczne mogą być czasochłonne i rzadkie w wielu regionach, znaczna część pacjentów pozostaje niewykryta, dopóki utrata wzroku nie stanie się trwała. Ten ciężar jest szczególnie duży w populacjach pochodzenia afrykańskiego, które częściej rozwijają jaskrę i częściej stają się od niej niewidome, a jednocześnie były historycznie niedostatecznie reprezentowane w badaniach medycznych i wysokiej jakości zbiorach obrazów.

Nauczanie komputerów odczytywania obrazów oka

Zespół zbudował zautomatyzowany system przesiewowy, który analizuje kolorowe fotografie tylnej części oka, znane jako obrazy dna oka (fundus). Te zdjęcia są stosunkowo tanie i łatwe do wykonania, nawet poza gabinetem specjalisty. Na podstawie ponad 64 000 obrazów zebranych w badaniu Primary Open-Angle African American Glaucoma Genetics (POAAGG) badacze trenowali modele głębokiego uczenia, aby odróżniać oczy z jaskrą od tych bez choroby. Porównali dwa nowoczesne podejścia: splotowy model „ResNet” oraz „Vision Transformer”, który analizuje obraz w łatkach i może wskazywać obszary, na których koncentruje uwagę — często strefę tarczy i kielicha nerwu wzrokowego, gdzie pojawiają się zmiany związane z jaskrą.

Wybieranie najczystszych zdjęć jako pierwszych

W praktyce przesiewowej podczas wizyty często wykonuje się kilka zdjęć, żeby uniknąć problemów takich jak mrugnięcia czy rozmycia. Zamiast przekazywać je wszystkie do modelu, badacze sprawdzili, czy staranne wybranie tylko najbardziej informatywnych zdjęć może zwiększyć dokładność. Przetestowali dwie automatyczne strategie selekcji. Jedna używała modelu segmentacji do wytyczenia nerwu wzrokowego i wyboru obrazów o określonych cechach rozmiarowych. Druga — klasyfikator binarny — nauczył się naśladować oceny ekspertów z centrum czytania, rozdzielając „dobre” zdjęcia od słabych. Wybranie zaledwie sześciu wysokiej jakości zdjęć na wizytę za pomocą klasyfikatora binarnego dorównywało wydajności oceniających ludzi i wyraźnie przewyższało zarówno użycie wszystkich zdjęć, jak i metodę opartą na segmentacji.

Łączenie wielu wskazówek w jedną decyzję

Po wybraniu najlepszych obrazów z wizyty system analizował każde z nich za pomocą Vision Transformera i generował prawdopodobieństwo obecności jaskry. Badacze następnie zbadali, jak najlepiej przekształcić kilka prawdopodobieństw w jedną decyzję przesiewową. Proste uśrednienie wyników z wybranych zdjęć dawało najbardziej wiarygodne rezultaty, nieco lepsze niż poleganie wyłącznie na wartości skrajnej. W ogólnym rozrachunku ten potok — selekcja obrazów przez klasyfikator binarny, a następnie predykcja dla każdego obrazu i uśrednianie — osiągnął wysoką zdolność odróżniania przypadków z jaskrą od bezjaskrowych. Testy na oddzielnym zbiorze z pacjentami chińskimi wykazały, że model nadal dobrze działa, a dodatkowe eksperymenty pokazały, że użycie większego zbioru treningowego było kluczowe dla tej zdolności transferu między grupami.

Co to może znaczyć dla pacjentów

Badanie pokazuje, że starannie zaprojektowany potok AI, trenowany na dużym zestawie obrazów oczu osób pochodzenia afrykańskiego, może dokładnie wskazać osoby, które mogą mieć jaskrę, wykorzystując jedynie proste fotografie. Choć system nie osiąga jeszcze bardzo rygorystycznych progów, których wymagają niektóre organizacje dla pełnych narzędzi diagnostycznych, nadaje się dobrze jako wstępne badanie przesiewowe w miejscach, gdzie brakuje specjalistów okulistów. Po dalszej walidacji na bardziej zróżnicowanych populacjach i aparatach oraz ewentualnej integracji z innymi badaniami okulistycznymi taka technologia mogłaby pewnego dnia zostać wdrożona w przychodniach podstawowej opieki, podczas wydarzeń społecznych lub w wiejskich ośrodkach zdrowia. Cel jest prosty: wykrywać jaskrę wcześniej, kierować osoby z grup ryzyka do specjalistów i zapobiegać możliwej do uniknięcia ślepocie — szczególnie w społecznościach, które zostały dotknięte najdotkliwiej.

Cytowanie: Li, S., Salowe, R., Lee, R. et al. Development of deep learning model to screen for primary open-angle glaucoma in African ancestry individuals. npj Digit. Med. 9, 214 (2026). https://doi.org/10.1038/s41746-025-02318-2

Słowa kluczowe: przesiewanie jaskry, sztuczna inteligencja, obrazowanie siatkówki, zdrowie osób pochodzenia afrykańskiego, medycyna głębokiego uczenia