Utveckling av djupinlärningsmodell för att screena för primär öppenvinkelglaukom hos individer med afrikansk härkomst

Varför detta är viktigt för vardaglig ögonhälsa

Glaukom är en av världens ledande orsaker till irreversibel blindhet och drabbar ofta synen tyst innan människor märker några symtom. Denna studie undersöker hur artificiell intelligens kan hjälpa till att upptäcka en vanlig form av glaukom tidigare, särskilt i samhällen med afrikansk härkomst som både har högre risk och sämre tillgång till specialistsjukvård för ögon. Genom att lära en dator att läsa ögonfotografier hoppas forskarna kunna föra pålitlig glaukomscreening till primärvårdspraktiker, kliniker i lokalsamhällen och lågresursmiljöer över hela världen.

Det tysta hotet mot synen

Primär öppenvinkelglaukom skadar sakta synnerven, kablaget som för visuell information från ögat till hjärnan. I inledningen känner människor sig oftast väl och ser bra, även när deras sidoseende börjar krympa. Eftersom sjukdomen utvecklas tyst och ögonundersökningar kan vara tidskrävande och knapphändiga i många regioner, förblir en stor andel patienter odiagnostiserade tills deras synnedsättning är permanent. Denna börda är särskilt tung i populationer med afrikansk härkomst, som både löper större risk att utveckla glaukom och att bli blinda av det, men som historiskt sett varit underrepresenterade i medicinsk forskning och högkvalitativa bilddatabaser.

Att lära datorer att läsa ögonbilder

Teamet byggde ett automatiserat screeningsystem som studerar färgfotografier av ögats bakre del, så kallade fundusbilder. Dessa bilder är relativt billiga och enkla att fånga, även utanför en specialists mottagning. Av mer än 64 000 bilder insamlade i Primary Open-Angle African American Glaucoma Genetics (POAAGG)-studien tränade forskarna djupinlärningsmodeller för att skilja mellan ögon med glaukom och utan. De jämförde två toppmoderna angreppssätt: en konvolutionell "ResNet"-modell och en "Vision Transformer", som undersöker bilden i patchar och kan visa var den riktar sin uppmärksamhet—ofta kupan och skivan på synnerven, där glaukomrelaterade förändringar uppstår.

Välja de tydligaste bilderna först

I verklig screening tas ofta flera bilder vid varje besök för att undvika problem som blinkningar eller oskärpa. Istället för att mata in alla dem i modellen undersökte forskarna om en noggrann urval av endast de mest informativa bilderna kunde öka noggrannheten. De testade två automatiska urvalsstrategier. Den ena använde en segmenteringsmodell för att avgränsa synnerven och välja bilder med vissa storlekskriterier. Den andra—en binär klassificerare—lärde sig att efterlikna expertgranskare på ett läscentrum och skiljde "bra" bilder från dåliga. Att välja endast sex högkvalitativa bilder per besök med den binära klassificeraren motsvarade prestandan hos mänskliga granskare och överträffade tydligt både att använda alla bilder och segmenteringsmetoden.

Kombinera många ledtrådar till ett svar

Efter att ha valt de bästa bilderna från ett besök undersökte systemet varje bild med Vision Transformer och producerade en sannolikhet för att glaukom var närvarande. Forskarna utforskade sedan hur man bäst omvandlar flera sannolikheter till ett enda screeningsbeslut. Att ta det enkla medelvärdet över de valda bilderna gav de mest tillförlitliga resultaten, något bättre än att förlita sig på bara det mest extrema värdet. Sammantaget uppnådde denna pipeline—bildurval av den binära klassificeraren, följt av per-bildprediktion och medelvärdesberäkning—en hög förmåga att skilja glaukom från icke-glaukomfall. När modellen testades på en separat dataset från kinesiska patienter presterade den fortfarande väl, och ytterligare experiment visade att användning av en större träningsuppsättning var avgörande för denna överföring mellan grupper.

Vad detta kan innebära för patienter

Studien visar att en noggrant designad AI-pipeline, tränad på en stor mängd ögonbilder från individer med afrikansk härkomst, kan på ett tillförlitligt sätt identifiera personer som kan ha glaukom med hjälp av enkla fotografier. Även om systemet ännu inte når de mycket strikta trösklar som vissa organisationer rekommenderar för fullständiga diagnostiska verktyg, lämpar det sig väl som en förscreening i miljöer där ögonspecialister är sällsynta. Med vidare validering på mer diversifierade populationer och kameror, och möjlig integration med andra ögontester, skulle sådan teknik en dag kunna användas i primärvårdskliniker, samhällsevenemang eller på landsbygdsjukvårdscenter. Målet är enkelt: upptäcka glaukom tidigare, hänvisa riskpatienter till specialister och förebygga onödig blindhet—särskilt i de samhällen som drabbats hårdast.

Citering: Li, S., Salowe, R., Lee, R. et al. Development of deep learning model to screen for primary open-angle glaucoma in African ancestry individuals. npj Digit. Med. 9, 214 (2026). https://doi.org/10.1038/s41746-025-02318-2

Nyckelord: glaukomscreening, artificiell intelligens, retinal avbildning, hälsa hos personer med afrikansk härkomst, djupinlärning inom medicin