En kliniskt adaptiv ramverkstid vid testning för att upptäcka flera fundus‑sjukdomar med hjälp av oftalmiska grundmodeller

Varför smartare synscreening är viktigt

Miljontals människor i världen riskerar att förlora sin syn på grund av tillstånd som diabetes, glaukom och åldersrelaterade förändringar i ögats bakre del. Läkare kan upptäcka många av dessa problem i fotografier av ögats insida, så kallade fundus‑bilder, men att noggrant granska varje bild tar mycket tid, särskilt när flera sjukdomar kan förekomma samtidigt. Denna studie presenterar RetExpert, ett nytt artificiellt intelligens (AI)‑system utformat för att fungera som en mångsidig ögonspecialist: det kan screena för många retinala sjukdomar samtidigt, hantera röriga verklighetsdata och anpassa sig i realtid till olika kliniker och kameror.

Att se många ögonproblem samtidigt

Typiska AI‑verktyg för ögonscreening tränas för att upptäcka endast en sjukdom åt gången och antar ofta att bilderna kommer att se mycket lika ut dem som användes vid träningen. Verkliga kliniker är annorlunda. Patienter har ofta mer än ett ögontillstånd, sjukdomsetiketter i dataset är ofullständiga, och kameror samt populationer varierar mellan platser. RetExpert tar itu med detta genom att bygga på ”grundmodeller”, stora visionssystem först tränade på enorma samlingar av retinala bilder. Dessa grundmodeller förstår redan vanliga mönster i fundus‑fotografier, såsom blodkärl, synnerv och makula. RetExpert omvandlar blocken i en sådan modell till ”adaptiva kunskapsenheter” och lägger till små adapterlager som kan finjusteras för multi‑sjukdomsscreening utan att störa den värdefulla kunskap som redan inhämtats.

Bättre användning av ojämna och osäkra data

Verkliga medicinska data tenderar att vara obalanserade: vanliga sjukdomar som diabetisk retinopati förekommer mycket oftare än sällsynta störningar. Om man tränar naivt kommer AI att överfokusera på frekventa tillstånd och försummelse ovanliga men viktiga tillstånd. RetExpert använder en träningsmetod som ger extra uppmärksamhet åt underrepresenterade sjukdomar så att prestandan inte kollapsar för sällsynta fynd. Systemet känner också igen att vissa prediktioner är naturligt mer osäkra än andra. Istället för att producera ett enda övergripande förtroendescore uppskattar RetExpert separata osäkerhetspoäng för varje sjukdom den ombeds upptäcka. Detta sjukdom‑för‑sjukdom‑perspektiv ligger närmare hur kliniker tänker och gör att modellen kan behandla sköra prediktioner försiktigt under senare anpassningssteg.

Minska förväxlingar mellan liknande sjukdomar

I praktiken kan vissa retinala sjukdomar se lika ut, och det kan vara särskilt skadligt om en AI‑modell med stor säkerhet ger motstridiga svar—till exempel att samma bild både klassas som ”normal” och ”maculadegeneration”. För att hantera detta byggde författarna en samförekomstmatris för fundussjukdomar, en strukturerad sammanställning av hur sannolikt sjukdomspar är att förekomma tillsammans baserat på medicinsk kunskap och statistik. Under träning lär sig RetExpert att anpassa sina sannolikhetsutgångar till dessa medicinskt rimliga relationer. Teamet introducerade också ett ”förväxlingsscore” som mäter hur ofta modellen blandar ihop specifika sjukdomspar. Med samförekomstinformationen på plats minskade förväxlingen mellan knepiga par, såsom maculadegeneration och hög myopi, med mer än en tredjedel, vilket gör prediktionerna mer tillförlitliga för klinisk användning.

Anpassar sig vid testtid

Ett av de största hindren för att distribuera AI över sjukhus är ”domänskifte”: bilder från en ny klinik kan skilja sig på grund av olika patientgrupper, kameratyper eller bildinställningar. Konventionella system måste tränas om eller genomgå omfattande finjusteringar varje gång de flyttas till en ny miljö, vilket är kostsamt och långsamt. RetExpert utför istället lättviktsanpassning under användning. När den möter en omgång nya bilder justerar den kortvarigt endast sina små adapterlager och slutgiltiga beslutshuvud, styrd först av hur stabila dess egna funktioner är och sedan av pseudomärkningar viktade av de per‑sjukdoms osäkerhetsuppskattningarna. Avgörande är att dessa uppdateringar är temporära och återställs efter varje omgång, så kärnmodellen inte driver över tid, vilket bevarar säkerhet och reproducerbarhet samtidigt som den får kortsiktig flexibilitet.

Hur väl fungerar det i verkligheten?

Författarna testade RetExpert på två stora multi‑sjukdomsdataset som användes under utvecklingen och sedan på 15 ytterligare offentliga och privata dataset insamlade från olika länder, kameror och kliniska miljöer. Över de flesta uppgifter—inklusive upptäckt av diabetisk retinopati, åldersrelaterad makuladegeneration, glaukom, myopiska förändringar och okulär toxoplasmos—matchade eller överträffade RetExpert prestandan hos nuvarande ledande retinala grundmodeller. Den visade också bättre tillförlitlighet, med lägre förväxlingsscores och starkare resultat på utmanande ”out‑of‑distribution”‑dataset som efterliknar nya sjukhus och enheter. Även om högspecialiserade en‑sjukdomssystem fortfarande kan vara något bättre för just det tillståndet, minskar RetExpert klyftan samtidigt som det erbjuder bred, multi‑sjukdomstäckning i ett enhetligt verktyg.

Ett steg mot pålitliga automatiserade ögonundersökningar

I vardagliga termer är RetExpert som en erfaren allmän ögonläkare byggd ovanpå en stor gemensam kunskapsbas, utrustad med verktyg för att hantera sällsynta sjukdomar, erkänna när den är osäker och snabbt anpassa sig till nya kliniker utan ständig omträning. Genom att kombinera dessa element—adaptiva moduler, osäkerhetsmedveten inlärning, medicinska förkunskaper och testtidsanpassning—levererar ramverket mer exakt och pålitlig multi‑sjukdomsscreening från enkla färgfotografier av ögats bakre del. Om det utvecklas och valideras ytterligare skulle sådana system kunna stödja tidigare upptäckt av synhotande tillstånd i stor skala, särskilt i miljöer där tillgången till ögonspecialister är begränsad.

Citering: Jiang, H., Liu, Z., Gao, M. et al. A test-time clinically adaptive framework for detecting multiple fundus diseases harnessing ophthalmic foundation models. npj Digit. Med. 9, 300 (2026). https://doi.org/10.1038/s41746-026-02480-1

Nyckelord: retinal avbildning, medicinsk AI, screening för flera sjukdomar, grundmodeller, domänanpassning