Korrelation mellan mänsklig expertbedömning av makulärt vätskehöjd och kvantifiering av vätskevolym vid neovaskulär åldersrelaterad makuladegeneration

Varför detta spelar roll för vardaglig syn

När människor lever längre kommer fler att drabbas av åldersrelaterade ögonsjukdomar som kan stjäla centralsynen och göra läsning, bilkörning eller ansiktsigenkänning svårare. En av de allvarligaste formerna, kallad våt åldersrelaterad makuladegeneration, innebär att vätska läcker in i ögats bakre del. Läkare måste bedöma hur mycket vätska som finns för att avgöra när injektioner som skyddar synen ska ges. Denna studie ställer en enkel fråga med stora konsekvenser: stämmer traditionella expertavläsningar överens med vad moderna AI-verktyg ser när de mäter den vätskan i tre dimensioner?

Från platta ögonblicksbilder till fullständiga volymvyer

Tidigare förlitade sig ögonläkare och läscentra på tunna tvärsnittsbilder av näthinnan och mätte den högsta punkten i vätskefickor på en enda central skiva. Dessa "höjdmätningar" användes som en proxy för den övergripande sjukdomsaktiviteten och hjälpte till att styra hur ofta patienter fick läkemedelsinjektioner i ögat. Näthinnan är dock en tredimensionell vävnad, och vätska kan sprida sig över stora områden eller samlas i små fickor långt från exakt centrum. Forskarna använde ett godkänt AI-verktyg som undersöker hela skanningsvolymen av makula och beräknar hur mycket vätska som finns i tre viktiga utrymmen i näthinnan, och förvandlar därmed platta ögonblicksbilder till detaljerade 3D-kartor.

Att jämföra mänskligt omdöme och AI sida vid sida

Teamet analyserade ögonskanningar från 890 personer med obehandlad våt makuladegeneration. Certifierade mänskliga läsare mätte maximal höjd för tre typer av vätska inom den centrala millimetern av näthinnan: vätska inne i retinala lager, vätska precis under de ljuskänsliga cellerna och utbuktningar där ett stödjande pigmentlager lyfts upp. AI-systemet granskade samma skanningar och markerade automatiskt dessa vätskefickor pixel för pixel och beräknade både deras maximala höjd och deras totala volym inom centrum samt över ett bredare område på sex millimeter. Denna direkta jämförelse lät forskarna testa hur väl expertmätningar och AI-beräkningar överensstämde.

Var AI stämde och var den skilde sig

För vätska inne i näthinnan och för de upphöjda områdena under pigmentlagret var AI:s höjdmätningar mycket nära expertläsningarna och visade stark överensstämmelse. För vätska som ligger precis under de ljuskänsliga cellerna var samspelet mer måttligt. I dessa fall tenderade mänskliga läsare att räkna något otydligt material som en del av vätskan, medan AI-systemet utelämnade dessa regioner. När forskarna jämförde enkel höjd i centrum med den totala mängden vätska i tre dimensioner fann de goda samband endast inom den smala centrala zonen. När de tittade på det bredare sexmillimetersområdet försvagades kopplingen, särskilt för den grunda, utspridda subretinala vätskan, vilket visar att en enda högsta punkt inte fångar hur mycket vätska som verkligen fyller makula.

Att se var vätskan verkligen samlas

Genom att skanna hela makulaområdet visade AI-verktyget också var vätskan tenderar att nå sina toppar. Vätska inne i näthinnan nådde oftast sin högsta punkt nära själva centrum, men nästan lika ofta precis utanför den zonen. Däremot toppade subretinal vätska och utbuktningar i pigmentlagret oftare i en ring runt centrum snarare än direkt under det. Detta mönster innebär att fokus enbart på näthinnans mitt kan missa viktiga sjukdomsfickor. Automatiserade volymkartor kan snabbt och konsekvent belysa dessa excentriska problemområden utan den tidskrävande uppgiften att manuellt inspektera dussintals bildskivor.

Vad detta betyder för patienter och kliniker

Studien visar att för två stora vätsketyper stämmer AI-baserade mätningar väl överens med expertbedömning, samtidigt som de tillför information som enkla höjdmätningar inte kan ge. Den klargör också att den högsta punkten i en vätskeficka är en dålig proxy för den fulla mängden och spridningen av vätska över makula. För patienter tyder detta på att AI-verktyg kan hjälpa ögonspecialister att följa sjukdomsaktiviteten mer fullständigt och anpassa behandlingsscheman närmare den verkliga vätskebelastningen i ögat. Istället för att förlita sig på ett fåtal manuella mätningar skulle läkare kunna använda helvolymsbaserade, automatiserade kartor för att avgöra när injektioner verkligen behövs, med målet att uppnå mer precisa och potentiellt mer personligt anpassade vårdinsatser.

Citering: Steiner, S., Gerendas, B.S., Deak, G. et al. Correlation between human expert macular fluid height assessment and fluid volume quantification in neovascular age-related macular degeneration. Sci Rep 16, 14793 (2026). https://doi.org/10.1038/s41598-026-44982-8

Nyckelord: åldersrelaterad makuladegeneration, retinal vätska, optisk koherenstomografi, artificiell intelligens, ögonavbildning