Automatisk diagnos av åldersrelaterad makuladegeneration med maskininlärning och bildbehandlingstekniker

Varför detta är viktigt för din syn

När människor lever längre drabbas fler av oss av åldersrelaterad makuladegeneration (AMD), en sjukdom som gradvis försämrar det centrala seendet och kan göra läsning, bilkörning eller igenkänning av ansikten svår eller omöjlig. Ögonläkare kan upptäcka tidiga varningstecken i fotografier av ögats bakre del, men att göra detta manuellt för tusentals patienter är tidskrävande och kräver specialiserade experter. Denna studie undersöker hur ett transparent, maskininlärningsbaserat verktyg kan hjälpa till att upptäcka AMD tidigt från rutinmässiga ögonbilder, utan att förlita sig på sårbara, svårförklarliga djupa nätverks ‘‘black boxes’’.

Letar efter problem i ögats skarpa synzon

AMD angriper makulan, en liten mörk fläck nära mitten av näthinnan som ger skarpt, detaljerat seende. Många automatiska system försöker hitta små fettavlagringar kallade drusen i hela ögonbilder, men drusen kan lätt förväxlas med andra ljusa fläckar som små blödningar, och de varierar mycket i form och storlek. Det gör dem svåra att upptäcka på ett tillförlitligt sätt med dator, och även experter måste lägga tid på att noggrant kontrollera resultaten. Författarna väljer en annan väg: istället för att direkt leta efter drusen över hela näthinnan fokuserar de på makularegionen och mäter hur dess textur och färg förändras när AMD är närvarande.

Från råfotografi till makulans ”fingeravtryck”

Systemet börjar med ett färgfotografi av ögats bakre del, kallat en fundusbild. Det förbättrar först kontrasten med standardsteg inom bildbehandling så att mörka och ljusa områden blir lättare att särskilja. Därefter lokaliserar det automatiskt synnervsskivan — det ljusa cirkulära området där nerverna lämnar ögat — och använder dess kända geometriska relation till makulan för att söka längs ett smalt fält i bilden efter det mörkaste området som stämmer överens med förväntad storlek och position för makulan. Runt den punkten beskär systemet en liten rektangel: detta är intresseområdet, innehållande den vävnad som mest sannolikt visar tidiga AMD-relaterade skador.

Gör mönster och färger till siffror

Inom detta makulafält beräknar forskarna en stor uppsättning numeriska beskrivare, eller ”handgjorda funktioner”. Texturfunktioner fångar hur pixelintensiteter är ordnade — om ytan ser jämn, fläckig eller oregelbunden ut — medan färgfunktioner fångar skiftningar i ljusstyrka och ton som kan spegla förändringar i pigment och vävnadens hälsa. Totalt mäts 140 textur- och 48 färgvärden för varje ögonbild. Eftersom inte alla dessa siffror är lika användbara tillämpar teamet statistiska tester och en metod för att rangordna funktioner för att välja en mindre delmängd som bäst skiljer friska ögon från AMD-ögon, och sålla bort redundanta eller brusiga mått.

Träna maskinerna att säga ”AMD” eller ”normalt”

Med dessa utvalda funktioner i handen tränar författarna flera välkända maskininlärningsklassificerare — Support Vector Machine (SVM), k‑Nearest Neighbor, Naïve Bayes och ett enkelt neuralt nätverk — för att lära sig skillnaden mellan normala och AMD‑påverkade ögon. De använder två offentliga samlingar av retinala bilder: STARE‑datasetet, som innehåller 35 normala och 74 AMD‑bilder, och det större ODIR‑datasetet, med hundratals märkta fall. För att testa tillförlitligheten delar de upp varje dataset upprepade gånger i tränings‑ och testdelar, roterar genom bilderna så att varje öga tjänstgör som test åtminstone en gång, och mäter sedan noggrannhet, felkvot och hur ofta AMD upptäcks korrekt.

Tydliga resultat och klarare motivering

I samtliga tester sticker SVM‑klassificeraren som använder texturfunktioner från makularegionen ut. På STARE‑datasetet skiljer den nästan 99 % korrekt mellan AMD och normala ögon; på ODIR är noggrannheten cirka 95 %. Texturinformation visar sig vara mer kraftfull än enbart färg, och att kombinera båda typerna av funktioner överträffar inte prestandan hos textur ensam. Medan vissa djupa inlärningssystem i litteraturen uppnår jämförbara eller något högre poäng kräver de stora mängder märkta data och ger liten insikt i vilka bildledtrådar de förlitar sig på. I kontrast motsvarar de handgjorda textur‑ och färgfunktionerna i denna studie igenkännbara strukturer i näthinnan, vilket gör systemet mer tolkbart för kliniker.

Vad detta betyder för patienter

I vardagliga termer visar studien att ett relativt enkelt, transparent datorprogram kan titta på ett standard ögonfoto, zooma in på makulan och — med mycket hög tillförlitlighet — flagga om AMD sannolikt är närvarande, utan att först försöka spåra varje liten avlagring. Ett sådant verktyg skulle kunna hjälpa ögonkliniker och screeningprogram att snabbt sortera stora mängder bilder, säkerställa att patienter med tidig sjukdom ses av specialister tidigare, samtidigt som det ger läkare en tydligare bild av vilka visuella mönster maskinen använder för sitt beslut.

Citering: Agarwal, D., Bhargava, A., Alsharif, M.H. et al. Automatic diagnosis of age-related macular degeneration using machine learning and image processing techniques. Sci Rep 16, 5037 (2026). https://doi.org/10.1038/s41598-026-35428-2

Nyckelord: åldersrelaterad makuladegeneration, retinalbildtagning, maskininlärning, tidig sjukdomsupptäckt, medicinsk bildanalys