Mākslīgais intelekts veicina tuvredzības agrīnu atklāšanu un pārvaldību

Mākslīgais intelekts veicina tuvredzības agrīnu atklāšanu un pārvaldību

Pieaugošā tuvredzības izplatība ir globāla veselības problēma, jo liela tuvredzība palielina redzes bojājumu risku. Tam nepieciešams izmantot mākslīgo intelektu (AI) tuvredzības agrīnai diagnostikai, profilaksei un ārstēšanai. Nu, aPediatriskā pārbaudePārskatā ir uzsvērti iespējamie AI pielietojumi tuvredzības agrīnā identificēšanā, riska novērtēšanā un profilaksē. Tas arī parāda AI tehnoloģijas izaicinājumus un pašreizējo attīstības statusu tuvredzības jomā.

Tuvredzība jeb tuvredzība skar divus miljardus cilvēku visā pasaulē. Nekoriģēta tuvredzība var ietekmēt redzi, traucēt izglītību, karjeras izredzes un dzīves kvalitāti. Tiek lēsts, ka līdz 2050. gadam gandrīz puse pasaules iedzīvotāju kļūs tuvredzīgi. Augsta tuvredzība bieži ir saistīta ar komplikācijām, kas var izraisīt redzes traucējumus, ietekmējot pacientu dzīves kvalitāti un palielinot globālo medicīnisko un ekonomisko slogu. Tāpēc agrīna tuvredzības diagnostika ir svarīga, lai novērstu redzes traucējumus pacientiem ar tuvredzību.

Mākslīgais intelekts (AI) ir pavēris jaunas robežas medicīnas jomā un var būt risinājums šim globālajam veselības aprūpes uzņēmumam. AI apakšgrupas, piemēram, uzlabotās tehnoloģijas, piemēram, mašīnmācīšanās (ML) un dziļā mācīšanās (DL), var palīdzēt analizēt datus, lai diagnosticētu slimības un prognozētu riska faktorus, biomarķierus un rezultātus.

Jaunā literatūras pārskatā Dr. Li Li, Dr Jifeng Yu un Dr. Nan Liu, visi no Ķīnas Capital Medical University Oftalmoloģijas katedras, apkopoja AI lietojumus un problēmas tuvredzības gadījumā, tostarp noteikšanu, riska faktoru novērtējumu un prognozēšanas modeļus. Šis pētījums tika publicēts žurnālāPediatriskā pārbaude2025. gada 18. martā.

Interesanti, ka AI modeļus var apmācīt ar ML/DL, lai noteiktu tuvredzību no fundusa fotoattēliem un optiskās koherences tomogrāfijas attēliem. Barojot modeli ar lielu acu dibena attēlu kopumu no tuvredzīgiem pacientiem, AI var iemācīt noteikt nelielas tīklenes krāsas un modeļa izmaiņas, kas saistītas ar tuvredzību. Tas ļauj modelim diagnosticēt nākamos pacientus no viņu fundus fotoattēliem.

Turklāt paškontroles ierīces, piemēram, SVOne, rokas ierīce, kas izmanto viļņu frontes sensoru acu defektu mērīšanai, var noteikt refrakcijas defektus acīs, izmantojot AI algoritmus. Ierīce var piekļūt tiešsaistes attēlu datu bāzei, ko AI var izmantot kā atsauces, lai diagnosticētu tuvredzību. Turklāt AI var apmācīt noteikt uzvedības izmaiņas, kas saistītas ar tuvredzības rašanos. Šāda noteikšana ir īpaši noderīga, lai agrīni atklātu tuvredzību bērniem, kas bieži vien tiek ignorēta. Piemēram, Vivior Monitor izmanto ML algoritmus, lai noteiktu izmaiņas vizuālajā uzvedībā, piemēram:

Turklāt, lai identificētu tuvredzības riska faktorus, var izmantot ML metodes, piemēram, vektora mašīnu, loģistikas regresiju un Xgboost."Uz XGBOOST balstīts modelis var iegūt lielu daudzumu garengriezuma datu, ļaujot tam uzzināt daudzu pacientu tuvredzības rezultātus un saistītos riska faktorus. Tas savukārt ļauj modelim novērtēt jaunu pacientu riska faktorus, pamatojoties uz viņu ģenētiku, ģimenes vēsturi, vidi un fizioloģiskajiem parametriem."Skaidro doktors Li Li.

Miopijas progresēšanas un iznākuma prognozēšana var palīdzēt ārstiem pielāgot savu klīnisko pieeju. Plašā mērogā tas var veidot klīnisko praksi un politikas veidošanu, kas palīdz kontrolēt tuvredzību. Ievadot AI modeli ar lielu daudzumu biometrisko datu, refrakcijas datu, ārstēšanas reakciju un acu attēlu no daudziem tuvredzības pacientiem, AI var iemācīt prognozēt tuvredzības rezultātus jauniem pacientiem.

Neskatoties uz lielo AI potenciālu tuvredzības gadījumā, ir jāpārvar vairākas problēmas. Pirmkārt, ir svarīgi nodrošināt, lai AI modeļa apmācīšanai izmantotā datu kopa būtu precīza un kvalitatīva. Neobjektivitāte, viltus negatīvi/pozitīvi rezultāti un slikta datu kvalitāte var negatīvi ietekmēt modeļa diagnostisko un paredzamo precizitāti. Otrkārt, lielākā daļa AI modeļu tiek apmācīti, izmantojot datus no lielām slimnīcām, kas var nebūt reprezentatīvi pacientiem, kas dodas uz mazākām klīnikām. Tas rada neatbilstību starp reālajām un apmācību grupām. Treškārt, mākslīgā intelekta modelis nav apmācīts ārsts, un tas var nesniegt klīnisku pamatu tā diagnozei, kā rezultātā medicīnas speciālisti diagnozi var noraidīt. Visbeidzot, ar tik lielu pacientu datu apjomu ir svarīgi redzēt, ka AI modeļi nodrošina pacientu medicīnisko ierakstu privātumu.

“Lai gan mūsu pētījums izceļ ievērojamākosAI klīniskā pielietojuma attīstība tuvredzības gadījumā prasa turpmākus pētījumus, lai pārvarētu tehnoloģiskās problēmas. NoVeidojot augstas kvalitātes datu kopas, uzlabojot modeļa spēju apstrādāt multimodālus attēlu datus un uzlabojot cilvēku datoru mijiedarbības spējas, AI modeļus var vēl vairāk uzlabot plašai klīniskai lietošanai.“Secina Dr Jifeng Yu.

Avoti: