Tehisintellekt soodustab lühinägelikkuse varajast avastamist ja ravi

Tehisintellekt soodustab lühinägelikkuse varajast avastamist ja ravi

Müoopia kasvav levimus on ülemaailmne terviseprobleem, kuna suur lühinägelikkus suurendab nägemiskahjustuste riski. See nõuab tehisintellekti (AI) kasutamist lühinägelikkuse varaseks diagnoosimiseks, ennetamiseks ja raviks. Noh, aPediaatriline läbivaatusÜlevaade tõstab esile tehisintellekti võimalikke rakendusi lühinägelikkuse varajasel tuvastamisel, riskihindamisel ja ennetamisel. Lisaks näitab see tehisintellekti tehnoloogia väljakutseid ja hetkeseisu lühinägelikkuse valdkonnas.

Lühinägelikkus või lühinägelikkus mõjutab kogu maailmas kahte miljardit inimest. Korrigeerimata lühinägelikkus võib mõjutada nägemist, häirida haridust, karjäärivõimalusi ja elukvaliteeti. 2050. aastaks muutub hinnanguliselt peaaegu pool maailma elanikkonnast lühinägelikuks. Kõrget lühinägelikkust seostatakse sageli tüsistustega, mis võivad põhjustada nägemiskahjustusi, mõjutada patsientide elukvaliteeti ning suurendada ülemaailmset meditsiinilist ja majanduslikku koormust. Seetõttu on lühinägelikkuse varajane diagnoosimine oluline, et vältida lühinägelikkusega patsientide nägemiskahjustusi.

Tehisintellekt (AI) on avanud meditsiinivaldkonnas uued piirid ja võib olla lahendus sellele ülemaailmsele tervishoiuettevõttele. Tehisintellekti alarühmad, nagu arenenud tehnoloogiad, nagu masinõpe (ML) ja sügav õpe (DL), võivad aidata analüüsida andmeid haiguste diagnoosimiseks ning riskifaktorite, biomarkerite ja tulemuste prognoosimiseks.

Uues kirjanduse ülevaates tegid dr Li Li, dr Jifeng Yu ja dr Nan Liu, kõik Hiina Capitali Meditsiiniülikooli oftalmoloogia osakonnast, kokkuvõtte tehisintellekti rakendustest ja väljakutsetest lühinägelikkuse korral, sealhulgas tuvastamise, riskitegurite hindamise ja prognoosimudelid. See uuring avaldati ajakirjas Journal ofPediaatriline läbivaatus18. märtsil 2025.

Huvitaval kombel saab AI-mudeleid koolitada ML/DL-ga, et tuvastada lühinägelikkust silmapõhjafotode ja optilise koherentstomograafia piltide põhjal. Söötes mudelile suure hulga lühinägelike patsientide silmapõhja kujutisi, saab AI-d õpetada tuvastama väikseid lühinägelikkusega seotud võrkkesta värvuse ja mustri muutusi. See võimaldab mudelil diagnoosida tulevasi patsiente nende silmapõhjafotode põhjal.

Lisaks saavad eneseseireseadmed, nagu SVOne, pihuseade, mis kasutab silmadefektide mõõtmiseks lainefrondi andurit, tuvastada AI-algoritmide abil silmade murdumisdefekte. Seade pääseb juurde piltide veebipõhisele andmebaasile, mida AI saab kasutada lühinägelikkuse diagnoosimiseks viitena. Lisaks saab AI-d koolitada tuvastama lühinägelikkuse tekkega seotud käitumismuutusi. Selline avastamine on eriti kasulik laste lühinägelikkuse varajaseks avastamiseks, mida muidu sageli eiratakse. Näiteks kasutab Vivior Monitor ML-algoritme, et tuvastada muutusi visuaalses käitumises, näiteks:

Lisaks saab lühinägelikkuse riskitegurite tuvastamiseks kasutada ML-meetodeid, nagu vektormasin, logistiline regressioon ja Xgboost."XGBOOST-il põhinev mudel võib hankida suures koguses pikisuunalisi andmeid, mis võimaldab teada saada paljude patsientide lühinägelikkuse tulemusi ja sellega seotud riskitegureid. See omakorda võimaldab mudelil hinnata uute patsientide riskitegureid nende geneetika, perekonna ajaloo, keskkonna ja füsioloogiliste parameetrite põhjal."Selgitab dr Li Li.

Müoopia progresseerumise ja tulemuste ennustamine võib aidata arstidel kohandada oma kliinilist lähenemist. Suures plaanis võib see kujundada kliinilist praktikat ja poliitikat, mis aitab kontrollida lühinägelikkust. Söödes tehisintellekti mudelile suures koguses biomeetrilisi andmeid, murdumisandmeid, ravivastuseid ja paljude lühinägelikkusega patsientide silmapilte, saab tehisintellekti õpetada ennustama uute patsientide lühinägelikkuse tagajärgi.

Vaatamata tehisintellekti suurele potentsiaalile lühinägelikkuses tuleb ületada mitmed väljakutsed. Esiteks on oluline tagada, et tehisintellekti mudeli koolitamiseks kasutatav andmekogum oleks täpne ja kvaliteetne. Kallutatus, valenegatiivsed/positiivsed ja halb andmete kvaliteet võivad negatiivselt mõjutada mudeli diagnostilist ja ennustavat täpsust. Teiseks koolitatakse enamikku tehisintellekti mudeleid suurte haiglate andmete põhjal, mis ei pruugi olla tüüpilised väiksematesse kliinikutesse minevate patsientide kohta. See tekitab lahknevuse tegelike ja koolituspopulatsioonide vahel. Kolmandaks, tehisintellekti mudel ei ole koolitatud arst ega pruugi anda selle diagnoosimiseks kliinilist alust, mistõttu võivad meditsiinitöötajad diagnoosi tagasi lükata. Lõpuks on nii suure hulga patsiendiandmete puhul oluline näha, et tehisintellekti mudelid tagavad patsientide meditsiiniliste andmete privaatsuse.

"Kuigi meie uuring toob esile märkimisväärsedAI kliinilise rakendamise edusammud lühinägelikkuse korral nõuavad tehnoloogiliste väljakutsete ületamiseks täiendavaid uuringuid. AlatesLuues kvaliteetseid andmekogumeid, parandades mudeli võimet töödelda multimodaalseid kujutise andmeid ja parandades inimarvutite interaktsioonivõimet, saab AI-mudeleid laialdaseks kliiniliseks kasutamiseks veelgi täiustada."Lõpetab dr Jifeng Yu.

Allikad: