Клинически адаптивная система во время тестирования для обнаружения нескольких заболеваний глазного дна с использованием офтальмологических фундаментальных моделей

Почему более интеллектуальный скрининг глаз важен

Миллионы людей во всём мире рискуют потерять зрение из‑за заболеваний, таких как диабет, глаукома и возрастные изменения задней части глаза. Врачи могут выявлять многие из этих проблем по фотографиям внутренней поверхности глаза — так называемым фундус‑снимкам, — но тщательная проверка каждого изображения отнимает много времени, особенно когда одновременно могут присутствовать несколько заболеваний. В этой работе представлен RetExpert — новая система искусственного интеллекта, задуманный как универсальный офтальмолог: он может одновременно скринировать множество заболеваний сетчатки, работать с «грязными» реальными данными и подстраиваться в режиме работы под разные клиники и камеры.

Одновременное выявление множества заболеваний глаз

Типичные инструменты ИИ для скрининга глаз обучаются обнаруживать по одному заболеванию и часто предполагают, что изображения будут очень похожи на те, что использовались при обучении. В реальных клиниках ситуация иная. У пациентов часто бывает более одного заболевания глаза, метки в наборах данных неполные, а камеры и популяции отличаются от места к месту. RetExpert решает эти задачи, опираясь на «фундаментальные модели» — большие визуальные системы, предварительно обученные на огромных коллекциях ретинальных изображений. Такие модели уже понимают типичные структуры фундус‑снимков, например сосудистую сеть, зрительный нерв и макулу. RetExpert превращает блоки такой модели в «адаптивные блоки знаний» и добавляет небольшие адаптер‑слои, которые можно дообучать для многозаболевательного скрининга, не нарушая при этом ценного ранее выученного представления.

Лучшее использование неравномерных и неопределённых данных

Реальные медицинские данные обычно несбалансированы: распространённые заболевания, такие как диабетическая ретинопатия, встречаются намного чаще, чем редкие расстройства. При наивном обучении ИИ будет слишком фокусироваться на частых состояниях и игнорировать редкие, но важные находки. RetExpert применяет метод обучения, который уделяет дополнительное внимание недостаточно представленным заболеваниям, чтобы точность не падала на редких случаях. Система также учитывает, что некоторые предсказания по своей природе более неопределённы, чем другие. Вместо единого суммарного уровня уверенности RetExpert оценивает отдельные показатели неопределённости для каждого заболевания, которое он должен выявить. Такой подход по‑зачастую ближе к клиническому мышлению и позволяет модели осторожно обращаться с ненадёжными предсказаниями на последующих этапах адаптации.

Снижение путаницы между похожими заболеваниями

На практике некоторые заболевания сетчатки могут выглядеть похоже, и особенно опасно, когда модель ИИ уверенно даёт конфликтующие ответы — например одновременно называет изображение «нормальным» и «возрастной макулярной дегенерацией». Для решения этой задачи авторы построили матрицу со‑встречаемости заболеваний фундуса — структурированное резюме того, насколько вероятно совместное появление пар заболеваний на основе медицинских знаний и статистики. Во время обучения RetExpert учится согласовывать свои выходные вероятности с такими медицински обоснованными отношениями между болезнями. Команда также ввела «оценку путаницы», которая измеряет, как часто модель смешивает конкретные пары заболеваний. С использованием информации о со‑встречаемости путаница между сложными парами, например возрастной макулярной дегенерацией и высокой миопией, сократилась более чем на треть, что делает предсказания более надёжными для клинического применения.

Адаптация в момент тестирования

Одно из главных препятствий для развёртывания ИИ в разных больницах — «сдвиг домена»: изображения из новой клиники могут отличаться из‑за разных групп пациентов, типов камер или настроек съёмки. Традиционные системы требуют дообучения или масштабной тонкой настройки при переходе в новую среду, что дорого и медленно. RetExpert вместо этого выполняет лёгкую адаптацию во время использования. При поступлении партии новых изображений он кратко подстраивает только небольшие адаптер‑слои и финальную головку принятия решения, сначала опираясь на стабильность собственных признаков, а затем на псевдолейблы, взвешенные в соответствии с оценками неопределённости по каждому заболеванию. Важно, что эти обновления временные и сбрасываются после каждой партии, поэтому ядро модели не дрейфует со временем, что сохраняет безопасность и воспроизводимость при одновременном обеспечении краткосрочной гибкости.

Насколько хорошо это работает в реальных условиях?

Авторы проверили RetExpert на двух больших многозаболевательных наборах данных для разработки, а затем на 15 дополнительных публичных и приватных наборах, собранных в разных странах, на разных камерах и в разных клинических условиях. По большинству задач — включая обнаружение диабетической ретинопатии, возрастной макулярной дегенерации, глаукомы, миопических изменений и офтальмотоксоплазмоза — RetExpert соответствовал или превосходил по качеству ведущие современные фундаментальные ретинальные модели. Он также показал лучшую надёжность: более низкие показатели путаницы и более сильные результаты на сложных «внераспределённых» наборах данных, имитирующих новые больницы и устройства. Хотя узкоспециализированные модели для одного заболевания иногда остаются немного лучше в своей задаче, RetExpert сокращает разрыв, предлагая широкое многозаболевательное покрытие в одном унифицированном инструменте.

Шаг к надёжному автоматизированному офтальмологическому скринингу

В повседневных терминах RetExpert похож на опытного общего офтальмолога, построенного поверх большой общей базы знаний и оснащённого инструментами для работы с редкими заболеваниями, признания собственной неуверенности и быстрой адаптации к новым клиникам без постоянного дообучения. Объединяя эти элементы — адаптивные модули, обучение с учётом неопределённости, медицинские априорные знания и адаптацию во время тестирования — рамочная система обеспечивает более точный и надёжный многозаболевательный скрининг по простым цветным фотографиям задней поверхности глаза. При дальнейшем развитии и валидации такие системы могут способствовать более раннему выявлению угрожающих зрению состояний в масштабе, особенно в местах с ограниченным доступом к офтальмологам.

Цитирование: 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

Ключевые слова: ретинальная визуализация, медицинский ИИ, скрининг нескольких заболеваний, фундаментальные модели, адаптация домена