Szemészet, 2021 (158. évfolyam, 1-4. szám)
2021-03-01 / 1. szám
Mesterséges intelligencia a szemészetben Értékelő Szenzitivitás (%) Specificitás [%J 2. táblázat: A DL-algoritmus teljesítménye egyéb módszerekhez és humán vizsgálókhoz képest [□□] Orvos Rezidens #1 51,3 76,7 Rezidens #2 50,7 68,0 Rezidens #3 54,0 63,0 Gyakornok #1 85,3 21,3 Gyakornok #2 47,3 67,0 Gyakornok #3 76,0 54,7 Specialista #1 64,7 70,0 Specialista #2 68,7 52,7 Specialista #3 30,0 91,3 Kritérium AIGIS 34,3 56,0 GSS2 55,0 50,0 MLC #1 73,3 61,8 #2 86,3 45,3 #3 87,0 34,7 DL CNN 93,2 82,6 szemészorvosok, a klinikai vizsgálatban használt kritériumok, mint az Advanced Glaucoma Intervent ion Study (AGIS), és a Glaucoma Staging System 2 (GSS2) és az egyszerűbb ML-rendszerek prediktiv képességét is mind messze meghaladta a CNN (2. táblázat). Az értékelőként résztvevő orvosok eredménye képzettségtől függetlenül igen nagy szórást mutat. Az AIGIS, valamint a GSS2-kritériumok lineáris regresszión alapulnak, innen a gyenge önálló teljesítményük komplex mintázatot mutató információhalmaz esetén. A kevesebb réteget tartalmazó ML képtelen megfelelő jellemzők kinyerésére a regisztrátumból. Még nem teljesen ismert, hogy a CNN milyen módon interpretálta a látótér-mintázatokat, de úgy tűnik, képes kinyerni bizonyos rejtett összefüggéseket, amelyek a hatékonyság növekedéséhez vezetnek, ezt nevezzük „fekete doboz” effektusnak (55). A numerikus látótéradatok képi információvá (színkódolt Voronoj-cellák) való transzformálásával egy megfelelően betanított és optimalizált CNN megmutathatja, hogy a látótér-regisztrátum melyik területeire fókuszál a klasszifikációnál a DL-rendszer (heat-map), ezzel valamennyit felfedve a feketedoboz-effektusból. A fejlesztésnek Holló Gábor révén magyar vonatkozása van. A módszer alkalmasnak látszik korai glaukómás látótér-károsodás ép látótértől való elkülönítésére mind a Humphrey, mind az Octopus periméterek esetében, továbbfejlesztve esetleg jövőbeni látótéralapú screening kiindulópontja lehet (51). A látótér progressziójának vizsgálatára is ajánl lehetőségeket az AI. Ocularis hipertenzív (OHT) pácienseknél vetették össze a STATPAC-szerű (26) elemzés és 5 különböző típusú MLC azon képességét, hogy előre jelezzék a nyomonkövetés során kialakuló látótér-defektusokat. Minden abnormális látótéreredménybe konvertáló esetet legalább egy Al-megoldás sikeresen azonosított, átlagosan 4 évvel megelőzve a hagyományos módszereket (70). 2019-ben 20 évnyi, számszerint 32 443 db Humphrey 24-2 látótér-regisztrátum (egyenként 54 tesztponttal) összesen 1 751 922 tesztpontját (százados dB pontossá gig) dolgozták fel DL-algoritmusok segítségével. A vizsgálatba minden egyes elvégzett látóteret bevontak diagnózistól (ép látótér, glaukóma, katarakta, stroke stb.) és megbízhatósági indexektől függetlenül. Az adatok 80%-át a betanításra és validációra, míg 20%-át tesztelésre használták. Egyetlen látótér alapján képesek voltak féléves léptékekben akár 5 évre előrejelezni a látótér pontonkénti progresszióját (5. ábra) elfogadható pontossággal (pontonkénti abszolút hiba - pointwise mean absolute error - PMAE 2,47 dB) (96). Kalman-szűrők alkalmazásával optimalizálható az erőforrás-allokáció és személyre szabható a vizsgálatok időzítése, növelve a progresszió detektálásának valószínűségét (30, 71). Elülső szegmentum Szaruhártya A keratoconus vizsgálata neurális hálózatokkal 1997-től indult (79). AI segítségével a preklinikai kera toconus (keratoconus suspect vagy forme fruste keratoconus) detek tálása videokeratoszkóp (3), OCT (100), illetve egyéb képalkotókkal is lehetővé válik. A téma magyar vonatkozása Kovács Illés munkacsoportjához köthető. 2015-ben Scheimpflug-kamera képeken bilaterális adatokkal betanított MLC segítségével képesek voltak unilaterális ke ratoconus páciensek klinikailag ép corneáit (fellow eye) valóban normál corneáktól elkülöníteni (AUG: 0,96), meghaladva a legjobb egyedülálló paraméter - unilateralis in dex of height distance (AUG: 0,88) diszkriminatív képességét (49). A vizsgáló műszerbe integrált Al-aszszisztált szűrőprogramok a korai diagnózist segíthetik (53). A szaruhártya refraktív sebészeti beavatkozás (laser-assisted epithelial keratomileusis - LASIK és small incision lenticular extraction - SMILE) előtt elvégzett, posztoperatív ectasia kockázatának előrejelzésére egy 10 651 szemen betanított, magas találati arányú (AUG: 0,97) ML-modelIt alkotott Yoo (99). LASIK vagy fotorefraktív műtét eredményességének megjóslására 12 év anyagát felhasználva, 17 592 eset mindegyikén 38 paraméter
