Szemészet, 2021 (158. évfolyam, 1-4. szám)

2021-03-01 / 1. szám

Artificial intelligence

in

ophthalmology

kel augmentált nyomonkövetésére. A növekvő betegszám és stagnáló, vagy csökkenő létszámú egészségügyi személyzet mellett igencsak valószínűtlen, hogy bizonyos feladatokat ne lehetne majd sikerrel Al-asszisztált rendszerekre bízni.

Ismerve a gépi tanulás szédületes teljesítményét, talán nem is meglepő, hogy milyen tetemes mennyiségű adatot képes meghatározott szempontok mentén rendszerezni. Érdekesség

Az AI

felhasználható

védőoltások fejlesztési folyamatában is. Nem volt ez másként a C0VID-19-elleni vakcinafejlesztés esetében sem. A világjárvány elején a Google

tulajdonú

londoni DeepMind,

Alpha- Fold nevű

neurális hálójukkal jósolták meg a SARS-CoV-2 vírus külső burkán lévő fehérjék szerkezetét. Az AI

fejlesztésű

algoritmusok az ismert patogének adathalmazából kialakított tanulópályán betanítva képesek előre jelezni, hogy az immunrendszer a vírus melyik részeit fogja leginkább felismerni, hónapokkal lerövidítve ezzel a vakcinafejlesztés első, preklinikai szakaszát. Az AI

emellett

segíthet a tanulmányok gyors átfésülésében, és a megfelelő tesztalanyok kiválasztásában is (41).

Váratlan fordulat azonban, hogy ezek a mesterséges intelligenciával felruházott konstrukciók az emberi gondolkodás számára eddig rejtett összefüggéseket is felismerhetnek. Az AI,

azon

felül, hogy nagy menynyiségű adaton végez statisztikai analízist, képes olyan, az emberi elme számára egyelőre felfoghatatlan következtetéseket is levonni, mint például színes fundusfotóról nagy pontossággal megállapítani a páciens nemét, korát, szisztolés vérnyomását, a tényt, hogy dohányzik-e, vagy akár a refraktív szférikus ekvivalenst is (64, 89). Ezek megfelelő validálás után újabb biomarkerekként jelenhetnek meg a diagnosztizálásban.

Következtetések

Összefoglalva elmondható, hogy a mesterséges intelligencia a szemészet számos területén jelen van, a lencsetervező képletek optimalizálásától a képfelismerő algoritmusok alapkutatásban való felhasználásán keresztül, azok szűrővizsgálatokban és klinikai döntéshozatalban történő alkalmazásáig. Segítségével új utak nyílhatnak későbbi terápiás célpontok azonosításához, valamint megfelelő orvosi kontrollal és biztosítékok beépítésével csökkenhet és átalakulhat az egészségügyi dolgozók terhelése. Mindehhez elengedhetetlenül fontos a technikai, etikai és jogi irányelvek kidolgozása.

Irodalom

1. Abramoff

MD, Lou Y,

Erginay A, Clarida W, Amelon R, Folk

JC,

Niemeijer M. Improved

Automated Detection of Diabetic Retinopathy on a Publicly Available Dataset Through Integration of Deep Learning, Invest Ophthalmol Vis Sei

2016

Oct 1; 57(13): 5200-5206.

2. Abramoff

MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous Al-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med 2018 Aug 28; 1: 39.

3. Accardo

PA,

Pensiero S. Neural network-based system for early kera

toconus detection

from corneal topography. J Biomed Inform 2002 Jun; 35(3): 151-9.

4. Achiron

A, Gur Z, Aviv U, Hilely A, Mimouni M, Karmona L, Rokach L, Kaiserman I. Predicting Refractive Surgery Outcome: Machine Learning Approach With Big Data. J Refract Surg 2017 Sep 1; 33(9): 592-597.

5. Alpaydin

E.

Introduction to Machine Learning. Cambridge, Massachusetts: MIT Press; 2010.

6. Ataer-Cansizoglu

E,

Bolon-Canedo

V,

Campbell JP, Bozkurt A, Erdogmus D, Kalpathy-Cramer J, Patel S, Jonas K, Chan RV, Ostmo S, Chiang MF; i-ROP Research Consortium. Computer-Based Image Analysis for Plus Disease Diagnosis in Retinopathy of Prematurity: Performance of the "i-ROP" System and Image Features Associated With Expert Diagnosis. Transl Vis

Sei

Technoi

2015

Nov 30; 4(6): 5.

7. Bakshi

SK, Lin SR, Ting DSW, Chiang MF, Chodosh J. The era of artificial intelligence and virtual reality: transforming surgical education in ophthalmology. Br J Ophthalmol 2020 Aug 14: bjophthalmol-2020-316845.

8. Barella

KA, Costa VP, Goncalves Vidotti V, Silva FR,

Dias

M, Gomi ES.

Glaucoma Diagnostic Accuracy of Machine Learning Classifiers Using Retinal Nerve Fiber Layer and Optic Nerve Data from SD-OCT. J Ophthalmol 2013; 2013: 789129.

9. Benjamens

S,

Dhunnoo

P, Meskó

B.

The state of artificial intelligence-based FDA-approved medical devices and algorithms: an online database. NPJ Digit Med 2020 Sep 11; 3:118.

10. Bettin

P,

Di Matteo F. Glaucoma: present challenges and future trends. Ophthalmic Res 2013; 50: 197-208.

11. Bizios

D, Heijl A, Bengtsson B. Trained artificial neural network for glaucoma diagnosis using visual field data: a comparison with conventional algorithms. Glaucoma 2007; 16: 20-28.

12. Blencowe

H, Moxon S, Gilbert C. Update on Blindness Due to Retinopathy of Prematurity Globally and in India. Indian Pediatr 2016 Nov 7; 53(Suppl 2): S89-S92.

13. Bogunovic

H, Waldstein

SM, Schiegl T,

Langs G, Sadeghipour A, Liu X, Gerendas

BS,

Osborne A, Schmidt-Erfurth

U,

Prediction of Anti-VEGF Treatment Requirements in Neovascular AMD Using a Machine Learning Approach. Invest Ophthalmol Vis Sei.

2017

Jun 1; 58(7): 3240-3248.

14. Bogunovic

H, Waldenstein

SM,

Sadeghipour A,

Gerendas BS,

Schmidt-Erfurth U.

Artificial intelligence to predict optimal retreatment intervals in treat-and-extend anti-VEGF therapy. Invest Ophthlmol Vis Sei

ARVO E-Abstract.

15. Bowd

C, Chan K, Zangwill LM, Goldbaum

MH,

Lee

TW, Sejnowski

TJ, Weinreb RN. Comparing neural networks and linear discriminant functions for glaucoma detection using confocal scanning laser ophthalmoscopy of the optic disc. Invest Ophthalmol Vis Sei

2002;

43: 3444-3454.

16. Bowd

C, Medeiros FA, Zhang Z, Zangwill LM, Hao J, Lee TW, Sejnowski TJ, Weinreb RN,

Goldbaum MH.

Relevance vector machine and support vector machine classifier analysis of scanning laser polarimetry retinal nerve fiber layer measurements. Invest Ophthalmol Vis Sei

2005;

46: 1322-1329.

17. Brown

JM, Campbell JP, Beers A, Chang K, Ostmo S, Chan RVP, Dy J, Erdogmus D,

loannidis

S, Kalpathy-Cramer J, Chiang MF; Imaging and Informatics in Retinopathy of Prematurity (i-ROP) Research Consortium. Automated Diagnosis of Plus Disease in Retinopathy of Prematurity

/ x

Í 12

!