Изкуственият интелект насърчава ранното откриване и управление на късогледството

Изкуственият интелект насърчава ранното откриване и управление на късогледството

Нарастващото разпространение на късогледството е глобален здравен проблем, като високото късогледство увеличава риска от увреждане на зрението. Това налага използването на изкуствен интелект (AI) за ранна диагностика, профилактика и лечение на миопия. Е, аПедиатричен прегледПрегледът подчертава потенциалните приложения на AI за ранно идентифициране, оценка на риска и превенция на късогледство. Освен това показва предизвикателствата и текущия статус на развитие на AI технологията в областта на късогледството.

Миопията или късогледството засяга два милиарда души по света. Некоригираната миопия може да повлияе на зрението, да наруши образованието, перспективите за кариера и качеството на живот. До 2050 г. се изчислява, че почти половината от световното население ще стане късоглед. Високото късогледство често се свързва с усложнения, които могат да доведат до зрителни увреждания, засягащи качеството на живот на пациентите и увеличавайки глобалното медицинско и икономическо бреме. Следователно ранната диагностика на късогледството е важна за предотвратяване на зрителни увреждания при пациенти с късогледство.

Изкуственият интелект (AI) отвори нови граници в областта на медицината и може да бъде решение за тази глобална здравна компания. Подгрупите на AI, като напреднали технологии, като машинно обучение (ML) и задълбочено обучение (DL), могат да помогнат за анализиране на данни за диагностициране на заболявания и прогнозиране на рискови фактори, биомаркери и резултати.

В нов преглед на литературата д-р Li Li, д-р Jifeng Yu и д-р Nan Liu, всички от Катедрата по офталмология, Capital Medical University, Китай, обобщиха приложенията и предизвикателствата на AI при миопия, включително откриване, оценка на рисковите фактори и модели за прогнозиране. Това проучване е публикувано в Journal ofПедиатричен прегледна 18 март 2025 г.

Интересното е, че AI моделите могат да бъдат обучени с ML/DL за откриване на миопия от снимки на фундуса и изображения с оптична кохерентна томография. Чрез захранване на модел с голям набор от изображения на фундуса от пациенти с миопия, изкуственият интелект може да бъде научен да открива малки промени в цвета и модела в ретината, които са свързани с миопия. Това позволява на модела да диагностицира бъдещи пациенти от техните снимки на очното дъно.

Освен това устройства за самонаблюдение като SVOne, ръчно устройство, което използва сензор за вълнов фронт за измерване на дефекти на очите, могат да открият дефекти на пречупване в очите с помощта на AI алгоритми. Устройството има достъп до онлайн база данни с изображения, които AI може да използва като референции за диагностициране на късогледство. Освен това AI може да бъде обучен да открива промени в поведението, свързани с появата на миопия. Такова откриване е особено полезно за ранно откриване на късогледство при деца, което често иначе се пренебрегва. Например Vivior Monitor използва ML алгоритми за откриване на промени във визуалното поведение, като например:

В допълнение, ML методи като векторна машина, логистична регресия и Xgboost могат да се използват за идентифициране на рискови фактори за миопия.„Моделът, базиран на XGBOOST, може да получи големи количества надлъжни данни, което му позволява да научи резултатите и свързаните рискови фактори от миопия при много пациенти. Това от своя страна позволява на модела да оцени рисковите фактори на нови пациенти въз основа на тяхната генетика, фамилна история, среда и физиологични параметри.“Обяснява д-р Ли Ли.

Прогнозирането на прогресията на късогледството и резултата може да помогне на лекарите да приспособят своя клиничен подход. В голям мащаб той може да оформи клиничната практика и изготвянето на политики, които помагат за контролиране на късогледството. Чрез захранване на AI модел с големи количества биометрични данни, данни за пречупване, отговори на лечението и изображения на очите от множество пациенти с късогледство, AI може да бъде научен да предсказва резултатите от късогледство при нови пациенти.

Въпреки големия потенциал на ИИ при късогледство, трябва да се преодолеят няколко предизвикателства. Първо, важно е да се гарантира, че наборът от данни, използван за обучение на AI модел, е точен и с високо качество. Пристрастията, фалшивите отрицателни/положителни резултати и лошото качество на данните могат да повлияят отрицателно върху диагностичната и прогнозната точност на модела. Второ, повечето AI модели се обучават с помощта на данни от големи болници, които може да не са представителни за пациентите, отиващи в по-малки клиники. Това създава несъответствие между реалните и трениращите популации. Трето, AI моделът не е обучен лекар и може да не предостави клинична основа за своята диагноза, което може да доведе до отхвърляне на диагнозата от медицински специалисти. И накрая, при такива големи количества данни за пациенти е важно да се види, че AI моделите гарантират поверителността на медицинските досиета на пациентите.

„Докато нашето проучване подчертава забележителнитеНапредъкът в клиничното приложение на AI при миопия изисква допълнителни проучвания за преодоляване на технологичните предизвикателства. отЧрез изграждане на висококачествени набори от данни, подобряване на способността на модела да обработва данни от мултимодални изображения и подобряване на способността за взаимодействие на човешки компютри, моделите на AI могат да бъдат допълнително подобрени за широко разпространена клинична употреба.„Заключва д-р Jifeng Yu.

източници: