AI-assisterad upptäckt av strukturella avvikelser i hornhinnans nerver vid tidig diabetisk keratopati: utveckling och validering av ett djupinlärningsramverk

Varför de små ögonnerverna spelar roll vid diabetes

Diabetes är välkänt för att skada stora nerver i fötter och ben, vilket ofta leder till smärta, domningar och i vissa fall amputationer. Men långt innan den typen av skador blir tydliga kan kroppens minsta nerver börja fungera dåligt. Hornhinnan, det klara fönstret längst fram i ögat, är full av dessa tunna fibrer. Denna studie visar hur avancerad bildtagning och artificiell intelligens (AI) kan samarbeta för att upptäcka tidig nervskada i hornhinnan, vilket potentiellt erbjuder ett nytt, smärtfritt sätt att hitta nervproblem hos personer med diabetes innan de blir allvarliga.

Att se tidiga nervskador genom ögat

Dagens tester för diabetisk nervskada är långt ifrån perfekta. Enkla undersökningar vid sängkanten beror på läkarens skicklighet och patientens respons och missar ofta subtila, tidiga förändringar. Mer precisa tester, som ledningsstudier av nerver eller hudbiopsier, är invasiva, kostsamma och inte praktiska för rutinmässig screening. Hornhinnan kan däremot undersökas icke-invasivt med in vivo konfokal mikroskopi, en specialiserad kamera som fångar starkt förstorade bilder av hornhinnans nerver. Forskare har redan visat att en generell förlust av dessa nerver korrelerar med svårighetsgraden av diabetisk nervsjukdom. Men de tidigaste varningstecknen handlar inte alltid om antalet nerver; de kan vara små strukturella defekter längs i övrigt intakta fibrer.

Fokus på små hotspots kallade mikroneuromer

Under de senaste åren har läkare som använder högupplösta mikroskop noterat små, ljusa, svullna punkter längs hornhinnans nerver hos personer med diabetes. Dessa ”mikroneuromer” tros spegla stressade eller regenererande nervändar och kan uppträda före större områden med nervförlust. Forskargruppen bakom denna studie bestämde sig för att lära en dator att automatiskt känna igen dessa subtila drag. De samlade in mer än 5 000 hornhinnebilder från personer med diabetes och friska frivilliga vid två ögonkliniker i Kina. Erfaren hornhinnespecialister sållade noggrant bort bilder av dålig kvalitet, märkte ut var mikroneuromer fanns och sorterade dem i tre visuella mönster: lokala svullnader, större lökformiga förstorningar och mer diffusa ljusa fläckar.

Träna en AI-assistent att läsa nervbilder

Med dessa expertmärkta bilder byggde forskarna ett flerstegs djupinlärningssystem. Först sorterade en AI-modell bort suddiga eller felinriktade bilder och behöll bara de som tydligt visade det relevanta nervlagret. En andra modell bedömde om en given bild överhuvudtaget innehöll mikroneuromer. En tredje avgränsade de exakta områden där dessa lesioner uppträdde, och tre ytterligare modeller kategoriserade dem i de tre visuella typerna. Systemet tränades på data från ett sjukhus och testades sedan både på icke-sedda bilder från samma centrum och på en helt oberoende grupp från ett annat sjukhus, för att kontrollera om det fungerade pålitligt över olika patientgrupper och bildtillfällen.

Hur väl AI:n presterade i praktiken

AI:n visade sig vara mycket noggrann vid grundläggande kvalitetskontroll och bedömde användbara bilder korrekt mer än 97 % av gångerna. När den avgjorde om mikroneuromer fanns närvarande klassificerade den bilder korrekt i ungefär 81–84 % av fallen i både interna och externa testuppsättningar. Dess förmåga att segmentera och underindela lesioner var också stark, med bibehållen prestanda även på data från det andra centret. För att se om detta spelade roll i verkliga läsningar bad teamet juniora ögonläkare — med liten formell utbildning i denna bildteknik — att först läsa en separat uppsättning om 150 bilder på egen hand och sedan med AI-stöd. Med AI:ns vägledning ökade deras diagnostiska noggrannhet från cirka 69 % till 88 %, och deras genomsnittliga lästid per bild mer än halverades, vilket tyder på att sådana verktyg kan snabba upp mottagningar och minska ansträngningen för kliniker.

Vad detta kan innebära för personer med diabetes

Denna studie visar att ett vältränat AI-system automatiskt kan hitta och beskriva små nervavvikelser i hornhinnan och att detta i hög grad kan hjälpa mindre erfarna läkare att tolka komplexa ögonskanningar. Även om forskningen fortfarande är tidig och baserad på retrospektiva data från två centra, stärker den idén att ögats yta kan fungera som ett ”fönster” till kroppens smånervars hälsa. Om framtida mångcentra- och långtidsstudier bekräftar att hornhinnemikroneuromer pålitligt signalerar tidig diabetisk nervskada, skulle denna typ av AI-assisterad bildanalys kunna bli ett snabbt, icke-invasivt sätt att screena personer med diabetes, följa sjukdomsförlopp och möjligen ingripa innan nervskadan blir permanent.

Citering: Pan, J., Shi, X., Wan, L. et al. AI-Assisted detection of corneal nerve structural abnormalities in early diabetic keratopathy: development and validation of a deep learning framework. Sci Rep 16, 5846 (2026). https://doi.org/10.1038/s41598-026-36576-1

Nyckelord: diabetisk neuropati, hornhinnans nerver, mikroneuromer, djupinlärning, in vivo konfokal mikroskopi