Automatiserad upptäckt och segmentering av Weiss-ring i fundusfotografier med hjälp av djupinlärning

Varför små ringar i ögat spelar roll

När människor blir äldre märker många nya "flugor" som driver förbi i synfältet. De flesta är ofarliga, men vissa kan antyda förändringar som ibland leder till näthinnebråck och i extrema fall blindhet. Ett av de tydligaste tecknen på en sådan förändring är en liten, ringskuren fläck inne i ögat som kallas Weiss-ring. I vardagliga ögonbilder kan denna ring dock vara svag och lätt att missa — även för experter, och särskilt för datorer. Denna studie beskriver ett nytt artificiellt intelligenssystem (AI) som lär sig att upptäcka och avgränsa Weiss-ringar i standardiserade retinala fotografier, vilket potentiellt kan göra rutinbilder till en rikare källa för klinisk och forskningsmässig insikt.

En subtil ledtråd i rutinmässiga ögonbilder

Ögats inre är fyllt av en klar gel som långsamt lossnar från näthinnan när vi blir äldre, en process som kallas bakre glaskroppsavlossning. När denna separering slutförs kan den lämna kvar en flytande ring av vävnad framför synnervens huvud: Weiss-ringen. Dess närvaro signalerar att separeringen är fullbordad, och hos vissa patienter med plötsliga blixtar eller fläckar kan den markera en tidsperiod då näthinnan är mer sårbar för små bråck. Ändå är Weiss-ringar inte alltid synliga, kan hamna utanför kamerans synfält och ser ofta ut som diffusa skuggor. Traditionella AI-system tränade för att hitta vanliga näthinnesjukdomar har till stor del ignorerat dessa strukturer eller felaktigt tolkat dem som artefakter, vilket lämnat en viktig informationsbit outnyttjad.

Att lära datorer att hitta ringen

Forskarna samlade 582 färgfotografier av ögon från flera offentliga databaser och bad tre ögonspecialister att ange vilka bilder som innehöll en Weiss-ring och noggrant spåra dess kontur. Detta gav 194 bilder med ringar och 388 utan. De byggde sedan ett tvådelat AI-system. Den ena delen, kallad ett segmenteringsnätverk, lärde sig att rita en pixel-för-pixel-karta över var ringen sitter i varje bild. Den andra delen, ett klassificeringsnätverk, lärde sig att avgöra om en ring överhuvudtaget finns i bilden. En andra klassificerare granskade endast segmenteringsmasken och bedömde om det markerade området verkligen såg ut som en ring. Slutligen kombinerade en enkel statistisk modell de två klassificeringspoängen till en enda, slutlig prediktion.

Hur väl systemet presterade

På en avskild testuppsättning som AI aldrig såg under träningen producerade nätverket för ringavgränsning kartor som överlappade rimligt med experternas ritningar, särskilt i tydligare fall. Det var särskilt känsligt och fångade de flesta verkliga ringar, även om det ibland markerade extra områden där reflexer eller bakgrundstextur efterliknade en ring. När segmenteringsutgången kombinerades med bildnivåklassificeraren förbättrades den övergripande upptäckten. Det kombinerade systemet särskilde korrekt bilder med och utan ring med ett högt area-under-kurvan-värde (ungefär 0,90) och stabil noggrannhet, samtidigt som det visade god förmåga att utesluta bilder utan ring. Visuella värmekartor bekräftade att modellen främst fokuserade på området runt synnervskäglan där Weiss-ringar typiskt uppträder, vilket ökar förtroendet för att den använde kliniskt meningsfulla ledtrådar snarare än slumpmässiga mönster.

Vad detta kan innebära för vård och forskning

Författarna betonar att detta verktyg inte ersätter en fullständig ögonundersökning eller avancerade skanningar vid plötsliga blixtar eller fläckar. Standardfotografier täcker bara en del av näthinnan, och många personer med glaskroppsavlossning visar aldrig en synlig ring. Istället presenteras systemet som ett hjälpmedel: det kan markera bilder för närmare granskning i stora screeningsprogram, hjälpa underläkare att lära sig känna igen subtila ringar och göra det möjligt för forskare att sila igenom tusentals arkiverade foton för att studera hur ofta ringar förekommer och hur de relaterar till faktorer som ålder, operation eller andra ögonsjukdomar. Eftersom studien använde ett måttligt antal offentligt tillgängliga bilder kommer större, verklighetsnära prövningar — helst jämförande med vidvinkelavbildning eller tredimensionella skanningar — att behövas innan metoden kan litas på i vardagliga kliniska beslut.

En liten ring med stor datapotential

Enkelt uttryckt visar detta arbete att en dator kan tränas inte bara att svara "ja eller nej" om en liten flytande ring i ögat, utan också att skissera var den befinner sig. Medan systemet fortfarande är ett konceptbevis och inte en diagnostisk auktoritet öppnar det dörren för att förvandla en ofta förbisedd egenskap till en sökbar signal i stora bildsamlingar. Använt med försiktighet och tillsammans med korrekt undersökning kan sådan AI hjälpa läkare och forskare att fästa mer uppmärksamhet vid subtila fläckar som berättar något om det åldrande ögat.

Citering: Kim, H., Ryu, S.Y., Yoo, T.K. et al. Automated detection and segmentation of Weiss ring in fundus photography images using deep learning. Sci Rep 16, 13787 (2026). https://doi.org/10.1038/s41598-026-44593-3

Nyckelord: Weiss-ring, retinal avbildning, djupinlärning, glaskroppsavlossning, medicinsk AI