Szemészet, 2021 (158. évfolyam, 1-4. szám)
2021-03-01 / 1. szám
Mesterséges intelligencia a szemészetben teau iris) klasszifikálására is létezik nyers AS-OCT-képeket feldolgozó AI megoldás (62). Megbeszélés A szemészet területén jelentős technikai és tudományos fejlődésnek lehettünk szemtanúi. Az OCT segítségével oly mértékű felbontásban vizsgálhatjuk a szem szöveteit, amely újraértelmezte a képalkotás definícióját. A technika által a rendelkezésünkre álló finom részletek felismerése, kvantifikálása és értelmezése ugyanakkor olyan mennyiségű információt jelent, amelynek feldolgozása nem kivitelezhető a szemorvos munkájának mindennapjaiban. Ezt az ellentmondást egy tudományágak közötti együttműködéssel orvosolhatjuk, ahol a klinikus szakértelmét a modern informatika vívmányaival kombináljuk, felhasználva a klasszikus képfeldolgozás és AI területeit. Az ML alkalmas a képeket különböző kategóriákba sorolni (klasszifikáció/osztályozás); automatikusan felismerni anatómiai struktúrákat vagy eltéréseket (szegmentáció); valamint megjósolni egy betegség kimenetelét (predikció) (74) (1. ábra). A DL-megoldások nagy mennyiségű képi adattal dolgoznak, ezek beszerzése, tárolása, feldolgozása sok erőforrást igényel. A betanítás, validálás és tesztelés eredménye nemcsak a felhasznált képek számától, de azok minőségétől is nagyban függ. Nem megfelelő jel-zaj arány, decentráció, műtermékek, a valós gyakorlatban egyaránt, negatívan befolyásolhatják a döntéshozatalt. Akár néhány pixel megváltoztatásával már megváltoztatható a kimenetel. A bemutatott algoritmusok leggyakrabban egy vizsgálaton belül standardizált adathalmazt használnak azonos, vagy kisszámú különböző készülékkel regisztrált, magas minőségű, reprodukálható adatok beválogatásával, bizonyos eltérések (pl.: nagyfokú myopia) gyakori kizárásával. Ugyanakkor az egyes vizsgálatok egymás között nem standardizáltak és így eltérő felépítésük miatt egymással általában nem hasonlíthatók össze. Bár az AUC egy mérőszámban igyekszik tükrözni egy módszer prediktív képességét, de kontextusba helyezés nélkül (a vizsgált populáció mérete, kora, rassz- és nem szerinti megoszlása, glaukóma típusa és súlyossága stb.) önmagában nem alkalmas összehasonlításra. Ezzel szemben valós igény egy olyan univerzális, széles körben alkalmazható program kifejlesztése, amely egyszerre tudja kezelni a fundusfotót, a piacon jelenlévő főbb OCT-gyártók különböző scan típusokkal készült felvételeit, és a Humphrey, vagy Octopus látótér-regisztrátumokat. Ezek alapján több, akár egyszerre jelen lévő betegség elkülönítésére is alkalmas, vegyes populációkon mind rassz, nem és életkor tekintetében. Mindezt természetesen magas szenzitivitás és specificitás mellett, elérhető áron. Alapvető követelmény továbbá, hogy az Al-modell elérje egy adott területen dolgozó szemészspecialista teljesítményét a „real-world” képek esetén is. Éppen ezen feltételek pontos kidolgozása miatt orvosi felhasználásuk előtt még sokrétű és megfelelő validációkon kell átesniük (24). A DL működésében még mindig nagy a feketedoboz-effektus, tehát nem ismert pontosan, hogy a rendszer mi alapján hoz döntést. Ha egy heterogén jellemzőhalmazban létezik egy paraméter, ami öszszefüggést mutat a betegséggel, de klinikailag az egyén szintjén nem releváns, az fals kategorizáláshoz vezethet. Heat-map alkalmazása ezek azonosításában segíthet (25). Tekintettel az AMD magas prevalenciájára, kritikus fontosságú, hogy azt a lehető legmegfelelőbben menedzseljük. A betegek kezelésének eldöntésében az OCT-biomarkerek finom változásai döntő fontosságúak, éppen ezért van szükség szerteágazó és mélyreható tudásra a kifinomult döntéshozatal érdekében, így a terápia hatása maximalizálható, és az elkerülhető költségek csökkenthetők (43, 77, 85). Standardizált Al-módszerek segítségével a biomarkerek finom változásai gyorsan és pontosan detektálhatóvá válhatnak, valamint használatuk egységesítheti a klinikai vizsgálatok OCT értékeléseit, tovább javítva így a betegség megértését és terápiára adott válaszát (74). GA tekintetében is vannak már ígéretesnek tűnő AI-modellek, amelyekkel a GA-növekedés ritmusa és a növekedés iránya becsülhető lesz. Segítségükkel javulhat a GA-betegeknek nyújtott tanácsadás, valamint használatuk elősegítheti az esetleges terápiás beavatkozások fejlődését is (61, 74). DR szűrése kapcsán is elmondható, hogy egy fundusfotó-alapú szűrésre jól használható Al-rendszer fontos követelménye, hogy az a való életben is megfelelően teljesítsen, különböző készülékekkel rögzített fundusfotók, illetve különböző etnikumok esetén is (85). A mindennapi gyakorlatban való alkalmazásra az ALmegoldások glaukómában még nem kaptak sem FDA-, sem EMA-engedélyt, de biztató, hogy a diabéteszes screening területén 2018-ban az iDx és 2020 nyarán az EyeArt algoritmusokat az EDA jóváhagyta (2, 9). Mivel egyik módszer sem tökéletes, így jelenleg nem létezik egyetlen olyan vizsgálat sem, amely helyettesítené azt a komplex klinikai döntéshozatalt, amelyet a vizsgáló orvos végez a glaukóma diagnózis felállítása során. Egy kereskedelmi forgalomba kerülő AI, legyen az bármilyen gyors és kényelmes, vagy meggyőzően magas AUC-vel rendelkező, nem szabad, hogy könynyelműségre csábítson. A fals negatív vagy pozitív kimenetel esetén a felelősség nem hárítható át a szoftver fejlesztőjére (60). A folyamatos továbbképzésünkről kötelesek vagyunk gondoskodni, szerencsére itt is igénybe vehetjük az AI adta lehetőségeket, akár a sebészi készségek fejlesztése terén is (7). Vitathatatlan, hogy szükség volna a glaukóma költséghatékony szűrésére, illetve a már glaukómával diagnosztizált betegek személyre szabott, akár automata rendszerek( 11 )
