Uogólnialna metoda wykrywania chorób oczu oparta na uczeniu zero-shot

Dlaczego wczesne ostrzeżenia okulistyczne mają znaczenie

Wiele poważnych problemów z oczami zaczyna się od zmian tak subtelnych, że nawet wyszkoleni specjaliści mogą mieć trudności z ich dostrzeżeniem. Łagodna retinopatia cukrzycowa, wczesne powikłanie cukrzycy, jest takim cichym sygnałem alarmowym: wczesne wykrycie może zapobiec utracie wzroku, ale wymaga uważnej oceny zdjęć siatkówki i ogromnej liczby ekspercko opisanych obrazów do trenowania dzisiejszych systemów sztucznej inteligencji (AI). W tym badaniu wprowadzono nowy rodzaj AI, który potrafi nauczyć się rozpoznawać wczesną chorobę, nawet gdy lekarze nigdy nie oznaczyli żadnego przykładu tej konkretnej jednostki chorobowej, co potencjalnie otwiera drogę do szybszych i tańszych badań przesiewowych oczu na całym świecie.

Nowy sposób uczenia maszyn bez gotowych odpowiedzi

Naukowcy oparli się na koncepcji zwanej uczeniem zero-shot, w której system AI uczy się rozpoznawać coś nowego bez uprzedniego zobaczenia oznakowanych przykładów. Zamiast zapamiętywać etykiety chorób, system naśladuje sposób myślenia klinicystów: szuka chorób pokrewnych, które dzielą podobne wzorce wizualne, i przenosi wiedzę zdobytą na ich podstawie. W pracy skupiono się na łagodnej retinopatii cukrzycowej (DR1), ale metodę trenowano bez ani jednego obrazu oznaczonego jako DR1. Zamiast tego zebrano ogromny zbiór zdjęć siatkówki, nazwany zestawem LCFP-14M, integrujący ponad milion obrazów i jedenaście kategorii chorób oczu pochodzących z wielu publicznych baz danych. To bogate połączenie obrazów dostarczyło wizualnego „doświadczenia”, z którego AI mogło wywnioskować wzorce chorobowe.

Znajdowanie choroby wyglądającej podobnie

Aby ustalić, skąd można pożyczyć wiedzę, pierwszy krok systemu polegał na zmierzeniu, jak bardzo różne choroby oczu wyglądają podobnie do siebie. Zespół użył sieci syjamskiej — pary identycznych modeli AI, które analizują dwa obrazy siatkówki jednocześnie i uczą się oceniać, czy prawdopodobnie należą do tej samej choroby. Porównując tysiące par obrazów, model zbudował mapę stopnia podobieństwa jedenastu chorób do łagodnej retinopatii cukrzycowej. Odkrył, że zwyrodnieniowa krótkowzroczność (degenerative myopia), schorzenie obejmujące rozciąganie i ścieńczenie tylnej części oka, daje obrazy siatkówki najsilniej skorelowane z tymi wczesnymi zmianami cukrzycowymi. W ludzkich kategoriach zwyrodnieniowa krótkowzroczność stała się „najbliższym kuzynem”, który mógł nauczyć system, na co zwracać uwagę.

Nauka, jak wyglądają drobne ogniska uszkodzeń

Gdy znaleziono odpowiednią „chorobę‑nauczyciela”, kolejnym zadaniem było pokazanie AI, które konkretne miejsca na siatkówce są najważniejsze dla wczesnych uszkodzeń cukrzycowych. Wykorzystując drugi model zwany U‑Net, badacze nauczyli system segmentacji na ustalonych zbiorach danych, gdzie eksperci oznaczyli trzy kluczowe cechy: drobne wypukłości w naczyniach krwionośnych znane jako mikroaneuryzmy, małe krwotoki oraz blade ogniska watowate. Choć nie wszystkie są unikalne dla łagodnego stadium, razem wyznaczają wczesny ślad uszkodzeń w krążeniu siatkówki. U‑Net nauczył się wyróżniać właśnie te zmiany na obrazach, przekształcając surowe fotografie w ukierunkowane mapy, na których ważne objawy ostrzegawcze wyróżniają się, a mniej istotne szczegóły zanikają w tle.

Grupowanie nieznanej choroby na zdrowe i nie‑zdrowe

Wyposażony w widok skoncentrowany na zmianach, system następnie przetworzył obrazy pacjentów z zwyrodnieniową krótkowzrocznością, ale z uwypuklonymi zmianami przypominającymi cukrzycę i stłumionymi artefaktami specyficznymi dla tej choroby. Trzeci model, oparty na sieci ResNet połączonej z aglomeracyjnym algorytmem klastrowania, przekształcił te zsegmentowane obrazy w zwarte opisy numeryczne i pogrupował je w dwie naturalne klastry. Co istotne, algorytm zrobił to bez etykiet mówiących, które oczy są zdrowe, a które chore; po prostu uporządkował obrazy na podstawie wspólnych wzorców wizualnych. Gdy zespół później porównał te klastry z prawdziwymi etykietami klinicznymi na niezależnym zestawie testowym, jeden klaster pokrywał się z DR1, a drugi z oczami bez choroby, co wykazało, że AI skutecznie „odkryło” łagodną retinopatię cukrzycową samodzielnie.

Jak dobrze wypada nowe podejście

Aby ocenić, czy system zero‑shot jest praktycznie użyteczny, naukowcy porównali go z bardziej konwencjonalnymi modelami głębokiego uczenia „few‑shot”, którym pokazano niewielką liczbę oznakowanych przykładów. Testowali popularne architektury, takie jak ResNet, VGG, MobileNet i AlexNet, wszystkie trenowane na ograniczonych ilościach oznakowanych danych, a następnie oceniane na zewnętrznym zestawie danych EyePACS. Model zero‑shot, mimo że nigdy nie zobaczył oznaczonych obrazów DR1 podczas treningu, osiągnął dokładność około 83% i wysoki wynik AUC (obszar pod krzywą), przewyższając większość nadzorowanych konkurentów — zwłaszcza pod względem precyzji, co oznacza, że oczy oznaczone przez niego jako chore rzeczywiście często były zagrożone. Doświadczenia ablacjne, w których usuwano poszczególne komponenty, potwierdziły, że zarówno etap oceny podobieństwa chorób, jak i etap segmentacji zmian były niezbędne dla tej dobrej wydajności.

Co to oznacza dla przyszłej opieki okulistycznej

Mówiąc prościej, praca ta pokazuje, że AI może nauczyć się wykrywać wczesne uszkodzenia oczu w przebiegu cukrzycy poprzez „rozumowanie przez analogię” z chorób pokrewnych i ekspertowo zdefiniowanych wskazówek wizualnych, zamiast polegać na tysiącach ręcznie oznakowanych przykładów tej konkretnej jednostki. To może zmienić zasady gry w programach przesiewowych w regionach świata, gdzie etykietowanie przez ekspertów jest drogie lub rzadkie, a także w odniesieniu do nowo rozpoznanych chorób oczu, które nie mają dużych, skuratowanych zbiorów danych. Choć metoda nadal stoi przed wyzwaniami — jak rozszerzenie poza zdjęcia dna oka na inne technologie obrazowania czy uczynienie decyzji bardziej przejrzystymi dla lekarzy i pacjentów — wskazuje na przyszłość, w której maszyny pomagają klinicystom wcześnie wykrywać subtelne choroby oczu, używając znacznie mniejszej ilości oznakowanych danych niż wymagają dzisiejsze systemy.

Cytowanie: Pan, C., Wang, Y., Jiang, Y. et al. A generalizable eye disease detection method based on Zero-Shot Learning. Commun Med 6, 249 (2026). https://doi.org/10.1038/s43856-026-01439-3

Słowa kluczowe: retinopatia cukrzycowa, obrazowanie siatkówki, uczenie zero-shot, medyczna AI, badania przesiewowe chorób oczu