En generaliserbar metod för upptäckt av ögonsjukdomar baserad på Zero‑Shot Learning

Varför tidiga ögonavvikelser spelar roll

Många allvarliga ögonproblem börjar med så subtila förändringar att även specialutbildade läkare kan ha svårt att upptäcka dem. Mild diabetisk retinopati, en tidig komplikation av diabetes, är ett sådant tyst varningstecken: att upptäcka det i tid kan förebygga synförlust, men det kräver noggrann granskning av retinafotografier och ett stort antal experttaggade bilder för att träna dagens artificiella intelligens (AI)-system. Denna studie introducerar en ny typ av AI som kan lära sig att upptäcka tidig sjukdom även när läkare aldrig har taggat exempel av just det tillståndet, vilket potentiellt öppnar dörren för snabbare och mer kostnadseffektiv ögonscreening globalt.

Ett nytt sätt att lära maskiner utan svar

Forskarlaget bygger vidare på ett koncept kallat zero‑shot learning, där ett AI‑system lär sig att känna igen något nytt utan att ha sett taggade exempel av det tidigare. Istället för att memorera sjukdomsetiketter imiterar systemet hur kliniker resonerar: det söker efter närliggande sjukdomar som delar visuella mönster och överför vad det lärt sig från dem. Här fokuserade teamet på mild diabetisk retinopati (DR1) men tränade sin metod utan en enda DR1‑bild märkt som sådan. Istället sammanställde de en massiv resurs av retinala fotografier, kallad LCFP‑14M‑datasetet, som integrerar mer än en miljon bilder och elva ögonsjukdomskategorier hämtade från många öppna databaser. Denna rika blandning av bilder ger den visuella ”erfarenhet” som AI:n kan använda för att sluta sig till sjukdomsmönster.

Hitta en liknande sjukdom

För att avgöra var kunskap bäst kunde lånas ifrån mäter systemets första steg hur lika olika ögonsjukdomar ser ut i förhållande till varandra. Teamet använde ett Siamese‑neuronätverk, ett par identiska AI‑modeller som granskar två retina­bilder åt gången och lär sig avgöra om de sannolikt tillhör samma sjukdom. Genom att jämföra tusentals bildpar byggde modellen en karta över hur nära elva sjukdomar liknar mild diabetisk retinopati. Den upptäckte att degenerativ myopi, ett tillstånd där ögats bakre del töjs ut och blir tunnare, gav retina­bilder som starkast korrelerade med de tidiga diabetiska förändringarna. I mänskliga termer blev degenerativ myopi den ”närmsta kusinen” som kunde lära systemet vad det skulle leta efter.

Lära systemet hur små lesioner ser ut

När en lämplig ”lärare” hittats var nästa uppgift att visa AI:n vilka specifika områden på retinan som är viktigast för tidig diabetisk skada. Med en andra modell kallad U‑Net tränade forskarna ett segmenteringssystem på etablerade dataset där experter markerat tre viktiga tecken: små utbuktningar i blodkärl kända som mikroaneurysm, små blödningar och bleka cotton‑wool‑fläckar. Även om inte alla är unika för det milda stadiet, spårar de tillsammans en tidig skada i retinalcirkulationen. U‑Net lärde sig att framhäva just dessa lesioner i bilderna och förvandla råa fotografier till fokuserade kartor där viktiga varningstecken framträder medan mindre relevanta detaljer tonas ner.

Klustring av inte‑sedda sjukdomar till friska och icke‑friska

Beväpnat med denna lesionfokuserade vy bearbetade systemet sedan bilder från patienter med degenerativ myopi, men med diabetiska‑liknande lesioner betonade och sjukdomsspecifika artefakter dämpade. En tredje modell, baserad på ett ResNet‑nätverk kombinerat med en agglomerativ klusteralgoritm, omvandlade dessa segmenterade bilder till kompakta numeriska beskrivningar och grupperade dem i två naturliga kluster. Avgörande var att algoritmen gjorde detta utan några etiketter som berättade vilka ögon som var friska eller sjuka; den organiserade helt enkelt bilderna efter delade visuella mönster. När teamet senare jämförde dessa kluster med verkliga kliniska etiketter på en oberoende testuppsättning, stämde ett kluster överens med DR1 och det andra med icke‑sjuka ögon, vilket visade att AI:n effektivt hade ”upptäckt” mild diabetisk retinopati på egen hand.

Hur väl den nya metoden står sig

För att bedöma om detta zero‑shot‑system var praktiskt användbart jämförde forskarna det med mer konventionella few‑shot‑djupinlärningsmodeller som fick se ett litet antal taggade exempel. De testade populära arkitekturer som ResNet, VGG, MobileNet och AlexNet, alla tränade på begränsade mängder taggad data och sedan utvärderade på en extern datamängd kallad EyePACS. Zero‑shot‑modellen, trots att den aldrig visats taggade DR1‑bilder under träning, nådde en noggrannhet på cirka 83 % och ett högt area‑under‑kurvan‑värde, och överträffade de flesta av dessa övervakade konkurrenter—särskilt vad gäller precision, det vill säga att de ögon den flaggade som sjuka oftast verkligen var i riskzonen. Ablationsstudier, där enskilda komponenter togs bort, bekräftade att både steget för att mäta sjukdomslikhet och steget för lesionsegmentering var avgörande för denna starka prestation.

Vad detta betyder för framtidens ögonvård

I vardagstermer visar detta arbete att en AI kan lära sig att upptäcka tidiga diabetiska ögonskador genom att ”resonera via analogi” från närliggande sjukdomar och expertdefinierade visuella ledtrådar, i stället för att förlita sig på tiotusentals hand‑taggade exempel av exakt det tillstånd som är av intresse. Det kan bli en vändpunkt för screeningprogram i delar av världen där experttaggning är dyrt eller sällsynt, eller för nyligen identifierade ögonsjukdomar som saknar stora kuraterade dataset. Metoden har fortfarande utmaningar—såsom att utvidga den bortom fundusfotografier till andra bildtekniker och att göra sina beslut mer transparenta för läkare och patienter—men den pekar mot en framtid där maskiner hjälper kliniker att upptäcka subtil ögonsjukdom tidigare, med betydligt mindre märkt data än vad dagens system kräver.

Citering: Pan, C., Wang, Y., Jiang, Y. et al. A generalizable eye disease detection method based on Zero-Shot Learning. Commun Med 6, 249 (2026). https://doi.org/10.1038/s43856-026-01439-3

Nyckelord: diabetisk retinopati, retinal bilddiagnostik, zero‑shot learning, medicinsk AI, screening av ögonsjukdomar