Ramowy system adaptacyjny działający w czasie badania do wykrywania wielu chorób siatkówki wykorzystujący okulistyczne modele podstawowe

Dlaczego inteligentniejszy skryning okulistyczny ma znaczenie

Miliony ludzi na świecie są narażone na utratę wzroku z powodu schorzeń takich jak cukrzycowe uszkodzenie siatkówki, jaskra czy zmiany zwyrodnieniowe tylnego odcinka oka związane z wiekiem. Lekarze mogą wykryć wiele z tych problemów na zdjęciach wnętrza oka, zwanych obrazami dna oka (fundus), ale dokładne sprawdzenie każdego zdjęcia jest czasochłonne, zwłaszcza gdy u jednego pacjenta występuje kilka schorzeń jednocześnie. W badaniu przedstawiono RetExpert — nowy system sztucznej inteligencji zaprojektowany jak wszechstronny okulista: potrafi przesiewowo wykrywać wiele chorób siatkówki jednocześnie, radzić sobie z nieuporządkowanymi danymi z prawdziwego świata i dostosowywać się w locie do różnych klinik i aparatów.

Wykrywanie wielu problemów okulistycznych naraz

Typowe narzędzia SI do skryningu okulistycznego uczone są zwykle do wykrywania jednej choroby i często zakładają, że obrazy będą bardzo podobne do tych użytych podczas treningu. Rzeczywiste kliniki są jednak inne. Pacjenci często mają więcej niż jedno schorzenie oka, adnotacje chorób w zbiorach danych bywają niekompletne, a aparaty i populacje różnią się między placówkami. RetExpert rozwiązuje to, opierając się na „modelach podstawowych” — dużych systemach wizji najpierw trenowanych na ogromnych kolekcjach obrazów siatkówki. Modele te już rozumieją typowe wzorce na fotografiach dna oka, takie jak naczynia krwionośne, nerw wzrokowy czy plamka. RetExpert przekształca elementy takiego modelu w „adaptacyjne jednostki wiedzy” i dodaje niewielkie warstwy adapterów, które można dostroić do skryningu wielu chorób, nie zaburzając przy tym cennej wiedzy już zdobytej.

Lepsze wykorzystanie nierównomiernych i niepewnych danych

Rzeczywiste dane medyczne mają tendencję do bycia niezrównoważonymi: powszechne choroby, takie jak retinopatia cukrzycowa, pojawiają się znacznie częściej niż rzadkie schorzenia. Jeśli trenować bez dodatkowych zabezpieczeń, SI skoncentruje się nadmiernie na często występujących stanach i zignoruje rzadkie, choć istotne przypadki. RetExpert stosuje podejście treningowe dające dodatkową wagę słabo reprezentowanym chorobom, aby wydajność nie załamywała się na rzadkich zmianach. System rozpoznaje też, że niektóre przewidywania są z natury bardziej niepewne niż inne. Zamiast generować jedną ogólną miarę pewności, RetExpert szacuje oddzielne wskaźniki niepewności dla każdej choroby, którą ma wykryć. Takie choroba-po-chorobie spojrzenie lepiej odpowiada myśleniu klinicznemu i pozwala traktować kruche przewidywania ostrożniej podczas późniejszych kroków adaptacji.

Ograniczanie pomyłek między podobnymi chorobami

W praktyce niektóre choroby siatkówki mogą wyglądać podobnie, a szczególnie niebezpieczne jest, gdy model SI pewnie daje sprzeczne odpowiedzi — na przykład oznaczając to samo zdjęcie jednocześnie jako „prawidłowe” i jako „zwyrodnienie plamki”. Aby temu zaradzić, autorzy zbudowali macierz współwystępowania chorób fundus, strukturalne podsumowanie tego, jak prawdopodobne jest współwystępowanie par chorób na podstawie wiedzy medycznej i statystyk. Podczas treningu RetExpert uczy się dopasowywać swoje wyjściowe prawdopodobieństwa do tych medycznie sensownych zależności. Zespół wprowadził też „wskaźnik konfuzji”, który mierzy, jak często model myli konkretne pary chorób. Dzięki uwzględnieniu informacji o współwystępowaniu, pomyłki między trudnymi parami, takimi jak zwyrodnienie plamki i wysokozaawansowana krótkowzroczność, zmniejszyły się o ponad jedną trzecią, co zwiększa wiarygodność przewidywań w zastosowaniach klinicznych.

Adaptacja w czasie badania

Jednym z największych problemów we wdrażaniu SI w szpitalach jest „przesunięcie domeny”: obrazy z nowej kliniki mogą się różnić z powodu innych cech pacjentów, typów aparatów czy ustawień obrazowania. Konwencjonalne systemy muszą być retrenowane lub szeroko dostrajane za każdym razem, gdy przenosi się je do nowego środowiska, co jest kosztowne i czasochłonne. RetExpert zamiast tego wykonuje lekką adaptację podczas użycia. Gdy napotyka partię nowych obrazów, krótko dopasowuje jedynie swoje małe warstwy adapterów i końcową głowicę decyzyjną, kierując się najpierw stabilnością własnych cech, a następnie pseudoetykietami ważonymi według oszacowań niepewności dla poszczególnych chorób. Co ważne, te aktualizacje są tymczasowe i resetowane po każdej partii, więc rdzeń modelu nie dryfuje w czasie, zachowując bezpieczeństwo i powtarzalność przy jednoczesnym zyskaniu krótkoterminowej elastyczności.

Jak dobrze działa w rzeczywistych warunkach?

Autorzy przetestowali RetExpert na dwóch dużych zbiorach danych wielochorobowych użytych do rozwoju, a następnie na 15 dodatkowych publicznych i prywatnych zbiorach zebranych w różnych krajach, przy użyciu różnych aparatów i w różnych warunkach klinicznych. W większości zadań — w tym wykrywaniu retinopatii cukrzycowej, zwyrodnienia plamki związanego z wiekiem, jaskry, zmian krótkowzrocznych i toksoplazmozy ocznej — RetExpert dorównał lub przewyższył wydajność wiodących obecnie modeli podstawowych dla siatkówki. Pokazał też lepszą niezawodność, z niższymi wskaźnikami konfuzji i silniejszymi wynikami na trudnych zbiorach „poza dystrybucją”, które naśladują warunki nowych szpitali i urządzeń. Choć wysoce wyspecjalizowane systemy jednochorobowe nadal mogą być nieco lepsze dla tej konkretnej jednostki chorobowej, RetExpert zmniejsza tę różnicę, oferując szerokie, wielochorobowe pokrycie w jednym zunifikowanym narzędziu.

Krok w stronę zaufanych zautomatyzowanych badań wzroku

W prostych słowach RetExpert jest jak doświadczony ogólny okulista zbudowany na dużej wspólnej bazie wiedzy, wyposażony w narzędzia do radzenia sobie z rzadkimi chorobami, przyznający, gdy jest niepewny, i szybko dostosowujący się do nowych klinik bez ciągłego retreningu. Łącząc te elementy — moduły adaptacyjne, uczenie uwzględniające niepewność, medyczne priory i adaptację w czasie testu — ramy te zapewniają bardziej dokładny i niezawodny skryning wielu chorób z prostych kolorowych zdjęć tylnego odcinka oka. Jeśli systemy takie zostaną dalej rozwinięte i zwalidowane, mogą wspierać wcześniejsze wykrywanie schorzeń zagrażających wzrokowi w skali, zwłaszcza w miejscach o ograniczonym dostępie do specjalistów okulistycznych.

Cytowanie: Jiang, H., Liu, Z., Gao, M. et al. A test-time clinically adaptive framework for detecting multiple fundus diseases harnessing ophthalmic foundation models. npj Digit. Med. 9, 300 (2026). https://doi.org/10.1038/s41746-026-02480-1

Słowa kluczowe: obrazowanie siatkówki, medyczna SI, skryning wielu chorób, modele podstawowe, adaptacja domeny