Tekoäly edistää myopian varhaista havaitsemista ja hallintaa

Tekoäly edistää myopian varhaista havaitsemista ja hallintaa

Likinäköisyyden lisääntyminen on maailmanlaajuinen terveysongelma, ja korkea likinäköisyys lisää näkövaurioiden riskiä. Tämä edellyttää tekoälyn (AI) käyttöä myopian varhaisessa diagnosoinnissa, ehkäisyssä ja hoidossa. No, aLastenlääkärin tutkimusKatsaus korostaa tekoälyn mahdollisia sovelluksia likinäköisyyden varhaisessa tunnistamisessa, riskien arvioinnissa ja ehkäisyssä. Se osoittaa edelleen AI-teknologian haasteet ja nykyisen kehitystilanteen likinäköisyyden alalla.

Likinäköisyys tai likinäköisyys vaikuttaa kahteen miljardiin ihmiseen maailmanlaajuisesti. Korjaamaton likinäköisyys voi vaikuttaa näkökykyyn, häiritä koulutusta, uranäkymiä ja elämänlaatua. Vuoteen 2050 mennessä on arvioitu, että lähes puolet maailman väestöstä tulee likinäköiseksi. Korkeaan likinäköisyyteen liittyy usein komplikaatioita, jotka voivat johtaa näön heikkenemiseen, heikentää potilaiden elämänlaatua ja lisätä maailmanlaajuista lääketieteellistä ja taloudellista taakkaa. Siksi myopian varhainen diagnosointi on tärkeää likinäköisten potilaiden näön heikkenemisen ehkäisemiseksi.

Tekoäly (AI) on avannut uusia rajoja lääketieteen alalla ja voi olla ratkaisu tälle maailmanlaajuiselle terveydenhuoltoyritykselle. Tekoälyn alaryhmät, kuten edistyneet tekniikat, kuten koneoppiminen (ML) ja syväoppiminen (DL), voivat auttaa analysoimaan tietoja sairauksien diagnosoimiseksi ja riskitekijöiden, biomarkkerien ja tulosten ennustamiseksi.

Uudessa kirjallisuuskatsauksessa tohtori Li Li, tohtori Jifeng Yu ja tohtori Nan Liu, kaikki Kiinan Capital Medical Universityn oftalmologian laitokselta, tekivät yhteenvedon tekoälyn sovelluksista ja haasteista likinäköisyydessä, mukaan lukien havaitsemis-, riskitekijöiden arviointi- ja ennustemallit. Tämä tutkimus julkaistiin Journal ofLastenlääkärin tutkimus18. maaliskuuta 2025.

Mielenkiintoista on, että tekoälymalleja voidaan kouluttaa ML/DL:n avulla havaitsemaan likinäköisyys silmänpohjakuvista ja optisesta koherenssitomografiakuvista. Syöttämällä mallille suuri joukko silmänpohjakuvia likinäköisistä potilaista, tekoäly voidaan opettaa havaitsemaan pieniä verkkokalvon värin ja kuvion muutoksia, jotka liittyvät likinäköisyyteen. Näin malli voi diagnosoida tulevat potilaat heidän silmänpohjakuvistaan.

Lisäksi itsevalvontalaitteet, kuten SVOne, kädessä pidettävä laite, joka mittaa silmävaurioita aaltorintaman tunnistimella, voivat havaita taittovauriot silmissä tekoälyalgoritmeilla. Laite voi käyttää online-kuvatietokantaa, jota tekoäly voi käyttää viitteinä likinäköisyyden diagnosoinnissa. Lisäksi tekoälyä voidaan kouluttaa havaitsemaan likinäköisyyteen liittyviä käyttäytymismuutoksia. Tällainen havaitseminen on erityisen hyödyllistä lasten likinäköisyyden varhaisessa havaitsemisessa, mikä usein jätetään huomiotta. Esimerkiksi Vivior Monitor käyttää ML-algoritmeja havaitakseen muutoksia visuaalisessa käyttäytymisessä, kuten:

Lisäksi ML-menetelmiä, kuten vektorikonetta, logistista regressiota ja Xgboostia, voidaan käyttää likinäköisyyden riskitekijöiden tunnistamiseen."XGBOOST-pohjaisella mallilla voidaan saada suuria määriä pitkittäistietoa, jonka avulla se voi oppia likinäköisyyden seurauksia ja siihen liittyviä riskitekijöitä useilla potilailla. Tämä puolestaan ​​​​ antaa mallille mahdollisuuden arvioida uusien potilaiden riskitekijöitä heidän geneettistensä, sukuhistoriansa, ympäristönsä ja fysiologisten parametriensa perusteella."Selittää tohtori Li Li.

Myopian etenemisen ja lopputuloksen ennustaminen voi auttaa lääkäreitä räätälöimään kliinistä lähestymistapaansa. Suuressa mittakaavassa se voi muokata kliinistä käytäntöä ja päätöksentekoa, jotka auttavat hallitsemaan likinäköisyyttä. Syöttämällä tekoälymalliin suuria määriä biometrisiä tietoja, taittotietoja, hoitovasteita ja silmäkuvia lukuisista likinäköisistä potilaista, tekoälyä voidaan opettaa ennustamaan likinäköisyystuloksia uusilla potilailla.

Huolimatta tekoälyn suuresta potentiaalista likinäköisyydessä, useita haasteita on voitettava. Ensinnäkin on tärkeää varmistaa, että tekoälymallin kouluttamiseen käytettävä tietojoukko on tarkka ja laadukas. Harha, väärät negatiiviset/positiiviset ja huono tiedon laatu voivat vaikuttaa negatiivisesti mallin diagnostiseen ja ennakoivaan tarkkuuteen. Toiseksi useimmat tekoälymallit on koulutettu käyttämällä suurten sairaaloiden tietoja, jotka eivät välttämättä edusta pienempiä klinikoita käyviä potilaita. Tämä luo ristiriidan todellisten ja koulutuspopulaatioiden välille. Kolmanneksi tekoälymalli ei ole koulutettu lääkäri, eikä se välttämättä tarjoa kliinistä perustaa diagnoosilleen, mikä voi johtaa siihen, että lääketieteen ammattilaiset hylkäävät diagnoosin. Lopuksi, näin suurilla potilastietojen määrillä on tärkeää nähdä tekoälymallit varmistavan potilaiden potilastietojen yksityisyyden.

”Vaikka tutkimuksemme korostaa merkittäviäTekoälyn kliinisen soveltamisen edistyminen likinäköisyydessä vaatii lisätutkimuksia teknisten haasteiden voittamiseksi. FromTekoälymalleja voidaan edelleen parantaa laajaan kliiniseen käyttöön rakentamalla korkealaatuisia tietokokonaisuuksia, parantamalla mallin kykyä käsitellä multimodaalista kuvadataa ja parantamalla ihmistietokoneiden vuorovaikutuskykyä."Päättelee tohtori Jifeng Yu.

Lähteet: