En fundusbildsdatamängd för intelligenta system vid diabetisk retinopati

Varför detta är viktigt för personer med diabetes

Diabetes kan tysta skada ögonen långt innan synen börjar bli suddig. Denna artikel beskriver en ny bildsamling utformad för att hjälpa datorer att upptäcka dessa dolda förändringar i ögat tidigare och mer pålitligt, genom att använda en vidare vy av näthinnan än vad de flesta nuvarande verktyg erbjuder.

Se mer av ögats bakre del

Diabetisk ögonsjukdom skadar de små blodkärlen längst bak i ögat och är en ledande orsak till bestående synförlust hos personer i arbetsför ålder. Regelbundna ögonfotografier används redan för att leta efter problem, men de fångar endast ett litet centralt område. Viktiga varningstecken uppträder ofta i näthinnans kanter, där traditionella kameror helt enkelt kanske inte ser dem. Ultravidfältbildtagning löser detta genom att fånga upp till fem gånger större yta i en enda exponering, inklusive de yttre hörnen där tidig skada och nya, sköra blodkärl kan uppkomma.

Bygga ett rikt bildebibliotek för smarta verktyg

För att utnyttja denna bredare vy kräver datorprogram stora, välorganiserade bilduppsättningar att lära sig från. Författarna samlade 1 630 ultravidfält-ögonbilder från 809 patienter vid två sjukhus i Kina. Alla personer i studien hade diabetes och deras genomsnittliga ålder var omkring 54 år. Bilderna togs med en speciell kamera som inte kräver ögondroppar för att vidga pupillen, vilket gör undersökningen snabbare och bekvämare. Bilder av låg kvalitet med oskärpa eller saknade områden togs bort så att endast klara vyer av näthinnan, blodkärlen och möjliga skador kvarstod.

Hur experterna lärde datorn

Tre erfarna ögonläkare granskade noggrant varje bild och sorterade dem i tre grupper: normala ögon, ögon med tidig till måttlig skada och ögon med avancerad skada. De följde internationella riktlinjer för graderingen av diabetisk ögonsjukdom, men författarna noterar att vissa meningsskiljaktigheter mellan läkare ändå förväntas, särskilt när det gäller att avgöra om mycket milda förändringar ska räknas som normala eller som tidig sjukdom. De slutliga besluten registrerades i mappar och enkla tabeller som listar varje bild och dess grupp, vilket skapar en lättillgänglig utgångspunkt för andra forskargrupper.

Sätta datamängden på prov

Teamet kontrollerade sedan hur användbar detta bildbibliotek är för att träna artificiell intelligens. De delade upp bilderna i tränings-, validerings- och testset och körde fyra välkända djupinlärningsmodeller för att klassificera de tre sjukdomsstadierna. Innan träning beskärdes och standardiserades bilderna och man använde enkla knep som slumpmässiga speglingar för att hjälpa modellerna att generalisera. På de ej använda testbilderna uppnådde alla modeller starka resultat över flera mått på noggrannhet, där en modell särskilt presterade bäst. Värmekartor från modellerna framhöll små utbuktningar i blodkärlen och ärrliknande membran, vilket tyder på att algoritmerna fokuserade på samma områden som läkare anser viktiga.

Hjälpa fler att behålla sin syn

Denna nya öppna datamängd erbjuder en högkvalitativ, vidvinkelvy av diabetisk ögonsjukdom för alla som utvecklar smarta screeningsverktyg. Genom att kombinera ultravidfältbilder med artificiell intelligens kan framtida system täcka större delar av näthinnan, missa färre farliga förändringar och kräva mindre personalinsats. Medan denna datamängd ensam inte kan ersätta regelbunden ögonvård, lägger den grunden för mer tillförlitlig, allmänt tillgänglig datorstödd screening som kan bidra till att minska blindhet till följd av diabetes, särskilt i kliniker med begränsade resurser.

Citering: Peng, S., Yang, S., Zhao, X. et al. A fundus image dataset for intelligent diabetic retinopathy system. Sci Data 13, 777 (2026). https://doi.org/10.1038/s41597-026-07093-7

Nyckelord: diabetisk retinopati, retinal bildtagning, ultravidfält, medicinsk AI, ögonscreening