Automatiserad diagnos av plusform och tidiga stadier av ROP med djupinlärningsmodeller

Varför små ögon och smarta datorer spelar roll

Varje år riskerar tusentals prematura barn att förlora synen eftersom blodkärlen längst bak i ögat inte växer normalt, ett tillstånd som kallas retinopati hos prematura (ROP). Att upptäcka problemet tidigt kan rädda synen, men det kräver frekventa undersökningar av ögonspecialister—experter som saknas i många delar av världen. Denna studie undersöker hur modern artificiell intelligens (AI) kan hjälpa läkare att upptäcka tidiga varningssignaler i retinala fotografier och därigenom potentiellt föra specialistnivå-screening till sjukhus och kliniker som saknar ögonspecialister.

Problemet: skör syn hos de minsta patienterna

ROP utvecklas när för tidig födsel avbryter den normala tillväxten av blodkärl i näthinnan, det ljuskänsliga lagret längst bak i ögat. Barn som föds mycket tidigt eller med mycket låg födelsevikt har högst risk. I milda fall återhämtar sig ögat av sig själv. I svåra fall kan onormala kärl dra i näthinnan och orsaka permanent blindhet. Globalt förblinda ROP uppskattningsvis omkring 50 000 personer, särskilt i regioner där neonatalsjukvården förbättrat överlevnaden men där screeningprogram och specialister för ögonsjukdomar inte hängt med. Nuvarande screening är arbetsintensiv, kostsam och subjektiv: två experter kan ibland vara oense om hur allvarlig ett barns sjukdom verkligen är.

Vad läkare letar efter: vridna kärl och tidiga stadier

Ögonläkare bedömer ROP med två huvudledtrådar i retinala bilder. Den ena är sjukdomens övergripande stadium, från stadium 0 (inga synliga förändringar) genom de tidiga problemstadierna (1–3). Den andra är så kallad ”Plus-sjukdom”, en varningssignal där blodkärlen på näthinnan blir ovanligt vidgade och vridna. Plus-sjukdom signalerar en högre risk för allvarlig skada och utlöser ofta behandling som laserterapi eller injektioner av läkemedel. Att bedöma dessa egenskaper visuellt är utmanande, särskilt när bilder är suddiga eller när spädbarn kräver upprepade undersökningar vecka efter vecka. Ett system som automatiskt kunde flagga Plus-sjukdom och uppskatta ROP-stadiet enbart från bilder skulle vara ett kraftfullt stödverktyg för kliniker.

Hur AI ser: kartlägga kärl från ögonfoton

Forskarna byggde en tvåstegs-AI-pipeline med mer än 6 000 retina-bilder från 188 spädbarn. Först tränade de ett neuralt nätverk att rita en precis ”kärlkarta” för varje näthinna, och framhäva varje synligt blodkärl, även de finaste förgreningarna. Bland flera konkurrerande bildbehandlingsmodeller fungerade en version kallad U-Net++ bäst för att fånga detaljerade kärlmönster, särskilt i brusiga eller lågkontrastbilder. För att förbättra tydligheten förbehandlade teamet varje foto med kontrastförstärkande filter och brusreducering innan segmenteringen. För att upptäcka Plus-sjukdom matade de sedan endast in kärlkartorna—inte de fullfärgade fotona—i ett andra neuralt nätverk, eftersom Plus-sjukdom i stort sett definieras av kärlens tjocklek och krökning.

Att lära nätverket att bedöma sjukdomens svårighetsgrad

För att bedöma ROP-stadium behövde AI mer än bara blodkärlens form. Systemet kombinerade därför de ursprungliga färgbilderna av näthinnan med deras motsvarande kärlkartor, vilket gav modellen både en helhetsbild av näthinnan och en förtydligad vy över dess kärl. Teamet testade flera välkända djupinlärningsarkitekturer och fann att en modell kallad EfficientNetB4 gav den bästa balansen mellan noggrannhet och effektivitet. På separata valideringsbilder nådde Plus-detektorn en noggrannhet på 99,6 procent, medan stadiumklassificeraren uppnådde 98 procent noggrannhet för stadierna 0 till 3. Ytterligare kontroller, inklusive precision–recall-kurvor och ROC-kurvor, visade att modellen bibehöll hög känslighet (sällan missade sjukdom) och hög specificitet (sällan gav falska larm), även om Plus-sjukdom var mycket mer sällsynt än normala bilder.

Att titta in i ”svarta lådan”

Eftersom kliniker måste kunna lita på verktyg som påverkar behandlingsbeslut undersökte författarna hur deras AI fattade sina beslut. Med visualiseringsmetoder som t-SNE visade de att bilder från olika klasser (till exempel Plus vs. Normal eller Stadium 1 vs. Stadium 3) bildade väl separerade kluster i modellens interna featurespace. Med värmekarttekniker kallade Grad-CAM framhävde de vilka delar av varje näthinna som mest påverkade en prediktion. För Plus-sjukdom fokuserade modellen på områden där kärlen var onormalt breda eller vridna, i linje med vad experter söker efter. Vid stadiumbedömning uppmärksammade den även andra regioner som synnerven och gula fläcken, vilket tyder på att modellens resonemang stämde väl överens med etablerade medicinska kriterier snarare än slumpmässiga bildartefakter.

Vad detta betyder för spädbarn och kliniker

Konklusionen är enkel: detta arbete visar att ett omsorgsfullt utformat AI-system kan läsa retinala bilder av prematura spädbarn med nästan expertlik noggrannhet, både för att upptäcka farliga kärlförändringar och för att bedöma hur långt sjukdomen har framskridit. Studien genomfördes vid ett enda medicinskt centrum och inkluderade endast tidiga till måttliga stadier, så större multicenterstudier och data från mer avancerade fall behövs fortfarande. Resultaten tyder emellertid på att, med vidare validering och noggrann integrering i telemedicinplattformar, sådana verktyg skulle kunna hjälpa överbelastade vårdsystem att screena många fler spädbarn, mer konsekvent och till lägre kostnad. Det kan innebära tidigare behandling och en bättre chans att bevara synen hos några av de mest sårbara patienterna inom neonatalvården.

Citering: Vahidmoghadam, M., Ghorbani, P., Ahmadi, M.J. et al. Automated diagnosis of plus form and early stages of ROP using deep learning models. Sci Rep 16, 7234 (2026). https://doi.org/10.1038/s41598-026-37064-2

Nyckelord: retinopati hos prematura, artificiell intelligens, djupinlärning, medicinsk bildbehandling, nyföddhetsögonsjukdom