Szemészet, 2021 (158. évfolyam, 1-4. szám)
2021-03-01 / 1. szám
Artificial intelligence in ophthalmology séget jelenthet a különböző morfológiájú (akár normális) látóidegfők besorolása (65), illetve a korral járó változások és a vizsgálati variabilitás elkülönítése a valódi progreszsziótól (94). A gyorsan progrediálók kiszűréséhez, és a lassabban progrediálók relatív stabilitásának igazolásához szükséges nagyszámú vizsgálat (27) és orvos-beteg találkozó előbb-utóbb meghaladhatja az egészségügyi ellátórendszerek kapacitását, amelynek teljesítőképességét tovább ronthatja a régóta növekvő szakemberhiány (59). Jelenleg a glaukóma populáció szintű szűrése nem megoldott sem metodika, sem kapacitás, sem költséghatékonyság szempontjából (10, 29). Az AI se gítséget nyújthat a nagyszámú beteganyag képi dokumentációjának feldolgozásában, interpretálásában, későbbi kutatásokban pedig új biomarkerek felfedezésében, amelyek segíthetik a betegség korábbi diagnózisát és pontosabb nyomonkövetését (25). Az adatfeldolgozást egyszerűbb gépitanulás-osztályozók (Machine Learning Classifiers - MLC) vagy komplexebb CNN-ek végezhetik glaukóma esetében is, előbbiek alacsony (pl.: IOP, CCT, C/D arány), utóbbiak magas fokszámú numerikus adatot (színes fundusfotó- vagy OCT-felvétel) kezelve. A CNN jelenlegi legfejlettebb alfaja, a DL képes nagy mennyiségű adatból automatikusan azonosítani azokat a jellemzőket, amelyek leginkább befolyásolják az algoritmus kimeneti eredményességét, ezáltal teljesítményét, egy OCT regisztrátum esetén egyszerre kezelve a kép intenzitásbeli (pixelek reflektivitása) és térbeli változóit (retinális pigmentepithelhez viszonyított helyzete) például a Bruch-membrán szegmentációjánk megtanulásához. Strukturális károsodás kimutatása glaukómában A legkorábbi eredményeket neurális hálózatokkal színes fundusfotókon érték el a főbb tájékozódásai pontok, mint a látóidegfő, a fovea és az erek automatikus felismerésében (78). A 2010-es évek közepére-végére már több tíz-, illetve százezres nagyságrendű színes fundusfotót felhasználva történt a DL-rendszerek betanítása és tesztelése, amelyek igen jó találati arányokkal (szenzitivitás: 96,4%, specificitás: 87,2%, AUC: 0,942, és szenzitivitás: 95,6%, specificitás: 92,0%, AUC: 0,982) tudták elkülöníteni a glaukómás látóidegfőket a nem glaukómásoktól kétdimenziós fényképek alapján (56, 84). A kvantitatív méréseken alapuló képalkotók közül először a konfokális scanning lézer oftalmoszkópiás (CSLO) és scanning lézer polarimetriás (SLP) regisztrátumokon alkalmaztak MLC megoldásokat. A Heidelberg Retina Tomográf (HRT) globális és regionális paramétereinek analízise esetén az optimalizáció nélküli ANN (AUC: 0,938- 0,944) is jobban teljesített, mint azok az algoritmusok, amelyek például a HRT szoftverét működtetik (AUC: 0,848-0,906) (58). Optimalizációval hasonló AUC mellett a szenzitivitást és specificitást tovább lehetett növelni (15). A GDx- VCC esetében szintén képes volt az alkalmazott MLC növelni a találati arányt a szoftverhez (AUC: 0,87) képest optimalizáció nélkül (AUC: 0,90-0,91) is, de optimalizált esetben (AUC: 0,92-0,93) további javulást mutatott (16). Az OCT-technológia térnyerésével párhuzamosan az Al-kutatások is ezzel a modalitással folytatódtak, az SLP, CSLO pedig inkább kiszorult, ahogy a mindennapi gyakorlatból is. Time-domain OCT (Stratus) RNFL- és papillaparaméterein ANN segítségével sikerült elkülöníteni a glaukómás látóidegfőket a nem glaukómásoktól (AUC: 0,87) (44). A mesterséges intelligencia jól alkalmazható spectral-domain-OCT (Cirrus) esetén is (AUC: 0,877), de ez Barella és munkatársai vizsgálatában a legjobb egyedülálló OCT-paramétertől - C/D terület arány (AUC: 0,846) statisztikailag szignifikánsan nem különbözött (8). Több DL-algoritmust egyszer{ 8 ; re működtetve, amelyben az első a szegmentációt tanulja meg, a második pedig a klasszifikációt végzi, akár egy OCT-scan alapján jó eredmények érhetők el a klasszifikációban (AUC: 0,9) (35). Akár többfajta OCT-készülékkel (Spectralis, Cirrus, Atlantis, Nidek RS-3000) rögzített képeket használva a betanításra, a validálásra és a tesztelésre is hasonlóan jó eredmények produkálhatok (AUC: 0,90), még egy vegyes etnikumú populáción is (101). Az OCT szegmentációs hibáinak detektálására használt Al-megoldás szintén magas hatékonyságú (AUC: 0,979) (45). Funkcionális károsodás kimutatása glaukómában Önmagában a standard automata perimetria (SAP) nem alkalmas a glaukóma diagnosztizálására, de már 1994-ben közöltek eredményeket Humphrey periméter rel, amelyben gyakorlott vizsgálók (szenzitivitás: 59% specificitás: 74%) teljesítményét egy korai egyrétegű MLC (szenzitivitás: 56% specificitás: 71%) megközelítette (36). 2007-re egy ANN (szenzitivi tás: 93%, specificitás: 94%) képes volt meghaladni az egyéb algoritmusok, mint Glaukóma Hemifield Test (szenzitivitás: 91%, specificitás: 92%), Pattern Standard Devi ation p<5% (szenzitivitás: 89%, specificitás: 93%), Pattern Standard Deviation p<l% (szenzitivitás: 72%, specificitás: 97%), clusteranalízis (szenzitivitás: 95%, specificitás: 82%) diagnosztikus pontosságát (11). Az előbb bemutatott két vizsgálat eredményei azonban nem állíthatók direkt párhuzam ba (ahogy két véletlenszerűen kiválasztott vizsgálat sem), hiszen az eredményességi mutatók csak a vizsgált paraméterek és kimeneti eredmények kontextusában értelmezhetők, ezek pedig különböztek. A csupán látótér-regisztrátumokból (pattern deviation) a látótérdefektus mintázata alapján glaukóma vs. nem glaukóma tesztelése 2018- ban meglepő eredményt hozott. A T ' T
