Artificiell intelligensbaserad bedömning av behandlingssvar vid våt åldersrelaterad makuladegeneration med parvis OCT-angiografi

Varför detta spelar roll för synen

Åldersrelaterad makuladegeneration är en ledande orsak till synförlust hos äldre, och många får upprepade injektioner i ögat för att hålla sjukdomen under kontroll. Läkare förlitar sig på ögonskanningar för att avgöra om behandlingen fungerar, men att tolka dessa bilder är svårt och kan variera mellan specialister. Denna studie undersöker hur artificiell intelligens kan hjälpa till att bedöma behandlingsframgång mer konsekvent, med hjälp av en nyare typ av ögonskanning som kartlägger de små blodkärlen längst bak i ögat.

Se blodflöde utan färgämne

I många år har specialister använt färgbaserad avbildning för att hitta onormala blodkärl som hotar central syn. Mer nyligen har optisk koherenstomografi och dess avknoppning, OCT-angiografi, gjort det möjligt för läkare att se tunna lager av näthinnan och dess blodflöde utan nålstick. Dessa skanningar kan visa hur onormala kärl växer, krymper eller ändrar form under behandling, men mönstren är ofta subtila och stämmer inte alltid överens med uppenbara tecken på aktiv sjukdom som vätska eller blödning. Som ett resultat kan det vara tidskrävande och subjektivt att avgöra om en serie injektioner verkligen förbättrade ögat, lämnade det i stort sett oförändrat eller tillät att sjukdomen förvärrades.

Träna ett digitalt andra utlåtande

Forskarna samlade in mer än tusen par av OCT-angiografibilder från personer med den våta formen av makuladegeneration. Varje par visade samma öga före och efter en serie injektioner med anti-VEGF, en standardbehandling som bromsar onormal kärltillväxt. Separata tvärsnittsskanningar och förändringar i synskärpa användes för att avgöra om varje behandlingsomgång tydligt förbättrat ögat, lämnat det i praktiken oförändrat eller låtit det försämras. Dessa expertnivåetiketter fungerade som referensstandard för att lära ett djupinlärningssystem att sortera nya bildpar i samma tre grupper.

Hur datorn läser skanningarna

Teamet byggde en modell med två parallella grenar, en för skanningen före behandling och en för skanningen efter behandling. För varje tidpunkt analyserade systemet flera lager av näthinnan och choroidean som fångats i platta, översiktsvyer. Det lärde sig först att extrahera komplexa visuella funktioner från varje skanning, som kärltäthet och förgreningsmönster, för att sedan kombinera information från båda tidpunkterna och ge en enda bedömning av förbättrat, oförändrat eller försämrat svar. Bilderna delades slumpmässigt så att vissa par användes för att träna modellen, vissa för finjustering och en separat uppsättning hölls tillbaka för slutlig testning.

Jämförelse mellan datorn och experter

På den oberoende testuppsättningen klassificerade det artificiella intelligenssystemet korrekt behandlingssvar i ungefär åtta av tio bildpar, med särskilt stark förmåga att upptäcka förbättringar. Två erfarna retinaspecialister granskade samma bildpar utan tillgång till annan klinisk information. Deras samlade noggrannhet låg närmare sex av tio, och de hade svårast för fall där sjukdomen var stabil snarare än tydligt bättre eller sämre. Statistisk analys visade att mänskliga bedömare var nästan tre gånger mer benägna än modellen att misstolka om en behandlingsomgång hjälpte, inte påverkade eller misslyckades, vilket understryker hur utmanande dessa skanningar kan vara att tolka enbart med ögat.

Vad detta kan betyda för patienter

Studien tyder på att ett vältränat artificiellt intelligenssystem kan fungera som en konsekvent läsare av parvisa kärlkartor och erbjuda en objektiv bild av hur de onormala kärlen i makuladegeneration svarar på behandling. Sådana verktyg kommer inte att ersätta läkare, men de kan fungera som beslutsstöd, flagga subtila förändringar, minska meningsskiljaktigheter mellan experter och hjälpa till att skräddarsy injektionsscheman mer precist. På lång sikt kan detta tillvägagångssätt stödja mer personligt anpassad vård och bättre användning av nya och befintliga läkemedel för att bevara synen hos personer som lever med denna vanliga ögonsjukdom.

Citering: Morsy, M.S., Dutta, N.A., Eldessouky, E.I. et al. Artificial intelligence based assessment of treatment response in wet age related macular degeneration using paired OCT angiography. Sci Rep 16, 15405 (2026). https://doi.org/10.1038/s41598-026-42999-7

Nyckelord: åldersrelaterad makuladegeneration, optisk koherenstomografi-angiografi, artificiell intelligens, behandlingssvar, retinal avbildning