Oči doširoka otevřené: Jak Karpathyho framework *Autoresearch* může demokratizovat výzkum glaukomu — Plán pro pacienty vedený, AI-řízený objev v obnově zraku

Oči doširoka otevřené: Jak Karpathyho framework Autoresearch může demokratizovat výzkum glaukomu

Úvod

Glaukom je chronická optická neuropatie, která progresivně ničí gangliové buňky sítnice (GBS) a vede k nevratné ztrátě zraku. Postihuje miliony lidí po celém světě – v roce 2013 se odhadovalo na 64,3 milionu lidí, s projekcí nárůstu nad 110 milionů do roku 2040 (physionet.org). Znepokojivé je, že asi polovina všech případů zůstává nediagnostikována, dokud již nedojde ke ztrátě zraku (physionet.org). Tradiční péče o glaukom se zaměřuje na snižování nitroočního tlaku (NOT) pomocí léků nebo chirurgických zákroků, ale tyto léčby nemohou zvrátit poškození ani plně zabránit slepotě (pmc.ncbi.nlm.nih.gov) (physionet.org). V důsledku toho je naléhavá potřeba nových objevů v oblastech jako neuroprotekce, regenerace GBS/očního nervu a inovativní genové a buněčné terapie. Akademický a farmaceutický výzkum v těchto oblastech však zůstává podfinancovaný, částečně proto, že jde o dlouhodobé a vysoce rizikové úsilí. Mezitím pokroky ve strojovém učení (ML) a umělé inteligenci (AI) umožňují nové přístupy k analýze dat a generativnímu designu.

Nedávná práce (například projekt Andreje Karpathyho „autoresearch“ (www.theneuron.ai) (medium.com)) naznačuje, že AI agenti mohou autonomně provádět stovky malých experimentů na jednom GPU pouze na základě jednoduchých pokynů na vysoké úrovni. V tomto paradigmatu člověk napíše krátký soubor program.md popisující cíl výzkumu a AI agent iterativně upravuje model nebo hyperparametry, spouští 5minutové tréninkové běhy, ponechává úspěšné změny a ostatní zahazuje (medium.com) (www.theneuron.ai). Přes noc může tato smyčka provést řádově 100 experimentů, prozkoumávajíc architekturu a prostor parametrů bez manuálního kódování.

Tento článek zkoumá, jak by Karpathyho framework autoresearch mohl být aplikován na výzkum glaukomu motivovanými pacienty, pečovateli, občanskými vědci a open-source vývojáři. Prozkoumáme málo prozkoumané oblasti výzkumu glaukomu (neuroprotekce, regenerace atd.) a identifikujeme úlohy strojového učení v každé oblasti, kde by experimentování s malými modely mohlo věrohodně pomoci. Pro každou úlohu navrhneme konkrétní veřejné datové sady, základní modely/architektury, metriky hodnocení a nastíníme, jak by mohly vypadat instrukce program.md agenta. Poté prodiskutujeme praktické kroky pro komunitu k nastavení a sdílení takových experimentů, včetně úvah o hardwaru, přípravě dat a platformách pro spolupráci. Prozkoumáme specifický kontext terapií obnovy zraku a zda by smyčky ve stylu autoresearch mohly urychlit optimalizaci neurálních protéz nebo jiných intervencí. Nakonec se budeme zabývat tím, jak by hypotézy generované občany mohly být validovány a eskalovány ke klinikům, a představíme konkrétní 90denní plán pro spuštění iniciativy autoresearch vedené pacienty – včetně toho, jak se vyhnout úskalím „výzkumného divadla“ a zajistit skutečný dopad. V průběhu celého článku citujeme aktuální zdroje o výzkumu glaukomu a AI ve vizuálním smyslu, s cílem vyváženého, realistického a přístupného průvodce.

1. Krajina výzkumu glaukomu a nenaplněné potřeby

Výzkum glaukomu zahrnuje mnoho front – od pochopení mechanismů onemocnění po vývoj nových terapií pro neuroprotekci a obnovu zraku. Mnoho slibných oblastí je podfinancovaných:

• Neuroprotekce: Intervence, které chrání GBS před odumíráním (nezávisle na NOT). Příklady zahrnují neurotrofické faktory a metabolickou podporu. Například implantáty uvolňující ciliární neurotrofický faktor (CNTF) prokázaly potenciál v raných studiích (pmc.ncbi.nlm.nih.gov), a zkoumají se i jiné molekuly, jako je nervový růstový faktor a citikolin (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). Tyto léčby však dosud nejsou standardní péčí a je zapotřebí další práce k jejich převedení k pacientům. Recenze z roku 2025 varuje, že neuroprotektivní terapie glaukomu jsou „budoucí léčbou“ vyžadující další zkoušky (pmc.ncbi.nlm.nih.gov), což odráží nenaplněnou potřebu.

• Regenerace GBS a regenerace očního nervu: Jakmile GBS a jejich axony odumřou, současná medicína nemá způsob, jak to zvrátit. Některé studie na zvířatech používají genové terapie k přeprogramování GBS nebo stimulaci opětovného růstu. Například represe PTEN (negativního regulátoru růstu) na bázi CRISPR podpořila opětovný růst axonů v neurálních buňkách potkanů (pmc.ncbi.nlm.nih.gov), a experimenty s ko-delečním PTEN a SOCS3 vedly k udržitelné regeneraci očního nervu u myší (pmc.ncbi.nlm.nih.gov). Tyto průlomy však zůstávají v laboratorních modelech. Základní biologie – např. jak rekapitulovat vývoj sítnice nebo obejít inhibitory růstu – je komplexní. Existuje obrovská poptávka po modalitách (malé molekuly, geny, biomateriály), které by mohly stimulovat přežití GBS nebo opětovný růst axonů, ale pokrok k lidským studiím je pomalý.

• Genové a buněčné terapie: Nové technologie jako CRISPR, virové vektory a GBS odvozené z kmenových buněk slibují pro glaukom. Strategie zahrnují genové úpravy ke snížení NOT (např. cílení na produkci komorové vody) nebo modulaci neurodegenerativních drah (pubmed.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). Kmenové buňky by mohly (teoreticky) nahradit ztracené buňky trabekulární sítě nebo GBS a vylučovat ochranné faktory (pubmed.ncbi.nlm.nih.gov). Raná práce ukázala, že určité transkripční faktory (např. Oct4-Sox2-Klf4) mohou přeprogramovat non-GBS na neurony podobné GBS u myší (obnovující zrak po poranění očního nervu) (pmc.ncbi.nlm.nih.gov). Tyto přístupy však čelí výzvám v oblasti bezpečnosti a dodání, než se dostanou k pacientům. Několik nedávných recenzí zdůrazňuje genovou terapii jako vzrušující, ale dosud neklinickou hranici pro glaukom (pubmed.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). Celkově molekulární a buněčné inovace postupují, ale zdroje a data z klinických studií jsou omezené – což vytváří příležitost pro výpočetní průzkum (např. návrh optimálních virových konstruktů nebo předpověď účinných genových úprav).

• Elektrická a optogenetická stimulace pro obnovu zraku: Pro pacienty s pokročilým glaukomem (nebo kombinovanými onemocněními, jako je retinitis pigmentosa) se umělé zrakové protézy nebo optogenetické terapie snaží obejít poškozené GBS. Retinální implantáty (epiretinální nebo subretinální elektrodové pole) a kortikální implantáty generovaly umělé vjemy („fosfény“), ale rozlišení je nízké a výsledky se značně liší. Nedávná recenze z roku 2025 o AI ve zrakových protézách poznamenává, že „algoritmy AI vykazují slib v optimalizaci protetického vidění, zejména prostřednictvím vylepšené extrakce výraznosti obrazu a stimulačních strategií,“ ačkoli dosud většina studií jsou simulace (pmc.ncbi.nlm.nih.gov). Jinými slovy, strojové učení může pomoci transformovat obrazy z kamery do vzorů stimulace, které jsou nejinformativnější vzhledem k omezením zařízení. Optogenetika (zcitlivění přežívajících retinálních buněk na světlo) a transkorneální elektrická stimulace (TES) pulzy se také testují pro ztrátu zraku související s glaukomem. Všechny tyto oblasti vyžadují rozsáhlé ladění parametrů (např. prostorově-časové vzorce stimulace, vektory genové exprese) – úkoly potenciálně vhodné pro autonomní ML vyhledávání.

• Mechanismy nezávislé na NOT: Mnoho lidí i přes dobře kontrolovaný NOT nadále ztrácí zrak. Faktory jako narušený oční průtok krve, neurovaskulární dysfunkce nebo metabolický stres v hlavě očního nervu jsou uznávány, ale nejsou plně pochopeny. Genetické studie naznačují významné „na NOT nezávislé“ složky rizika glaukomu (pubmed.ncbi.nlm.nih.gov) (pubmed.ncbi.nlm.nih.gov). Biologické markery těchto procesů (kromě tlaku) jsou naléhavě potřeba. Také polovina pacientů s glaukomem má onemocnění s „normálním napětím“, což zdůrazňuje, že vysoký NOT není jediným viníkem. Výzkum vaskulárních faktorů nebo jiných cest poškození probíhá, ale je roztříštěný. Výpočetní modelování nebo těžba velkých datových sad (např. celogenomových asociačních studií) by mohly pomoci identifikovat nové mechanismy nebo terapeutické cíle v této oblasti.

• Objev biomarkerů pomocí zobrazování a polí: Včasná detekce a monitorování glaukomu často závisí na zobrazování (fundus snímky, OCT) a funkčních testech (zorné pole). Pokročilé algoritmy by mohly odhalit jemné biomarkery, které lidští lékaři přehlédnou. Například hluboké učení začalo detekovat pre-perimetrickou ztrátu zorného pole (změny neviditelné pro standardní analýzu pole) (pmc.ncbi.nlm.nih.gov). Podobně byla AI použita k analýze profilů tloušťky vrstev OCT k předpovědi glaukomu před zjevným poškozením. Dosud však neexistují široce přijímané AI biomarkery, které by se klinicky používaly pro screening nebo stratifikaci rizika. Výpočetní úzká hrdla zde zahrnují potřebu velkých, dobře označených datových sad a robustních validačních protokolů (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). Veřejné soutěže (REFUGE, AIROGS atd.) začaly standardizovat data, ale pokrytí raného stadia onemocnění je řídké (pmc.ncbi.nlm.nih.gov). Další strojově řízený objev multimodálních biomarkerů (kombinující OCT, pole, genetiku atd.) zůstává otevřenou hranicí.

Kde může pomoci ML s malými modely? Mnohé z výše uvedených popisují problémy na vysoké úrovni. Úzkými hrdly jsou často nedostatek dat, mnoho vzájemně se ovlivňujících proměnných a pomalu se vyvíjející biologie. Tam, kde agent autoresearch exceluje, je v automatizaci malých experimentů na dostupných datech. Například, pokud existuje skromná datová sada OCT skenů s raným glaukomem a bez něj, občanský vědec může nastavit rychlou smyčku testování modelů, aby zjistil, která architektura je nejlépe rozlišuje. Podobně by malé transformery na genomice nebo literatuře mohly navrhnout nové genové nebo lékové kandidáty. Klíčem je zaměřit se na úzké úkoly s definovanými metrikami (přesnost klasifikace, AUC, ztráta) a rychle iterovat. Oblasti s omezenými veřejnými daty (např. parametry TES nebo nové genové koktejly) by se mohly spoléhat na syntetická data nebo proxy. V další části mapujeme specifické ML úlohy v glaukomu na přístup autoresearch.

2. Mapování Autoresearch na problémy glaukomu

Karpathyho framework autoresearch je doménově agnostický: dokáže spouštět experimenty v jakékoli úloze ML poskytnuté soubory prepare.py a train.py s dobře definovanou metrikou hodnocení. Identifikujeme několik konkrétních úloh souvisejících s glaukomem a určíme, jak by je agent mohl řešit. Každý případ použití níže zahrnuje: veřejně dostupnou datovou sadu (pokud možno), výchozí model nebo architekturu, metriku hodnocení a náčrt instrukcí program.md.

2.1 Analýza obrazu OCT (Strukturální detekce a segmentace)

• Úloha: Včasná detekce glaukomu z OCT skenů. OCT zobrazování poskytuje průřezy vrstev sítnice. Ztenčení vrstvy nervových vláken sítnice (RNFL) a komplexu gangliových buněk (GCC) může předcházet ztrátě zorného pole. Můžeme to pojmout jako klasifikační úlohu (glaukom vs. zdravý) nebo regresi (např. výstup tloušťky RNFL).

  • Datová sada: Nedávno vydaná SYN-OCT (www.nature.com) je syntetická datová sada 200 000 cirkumpapilárních OCT snímků (100k glaukom, 100k normální) generovaných GANy. Každý snímek má přidružené masky tloušťky RNFL a segmentace. Ty jsou veřejně dostupné na Zenodo (www.nature.com). (Ačkoli syntetické, jsou statisticky validovány tak, aby napodobovaly skutečné OCT (www.nature.com).) Alternativně by se dala použít datová sada OCT-DL (www.nature.com) (2064 snímků různých retinálních onemocnění) nebo menší klinické sbírky OCT.
  • Model: Začněte s malou konvoluční neuronovou sítí (CNN). Pro klasifikaci může fungovat model s ~ 3–5 konvolučními vrstvami (např. analogický zkrácenému ResNet-18 nebo vlastní malá CNN). Pro segmentaci RNFL/GCC je vhodný kodér-dekodér jako malá U-Net (s hloubkou 3–4). Počáteční train.py by mohl implementovat jednoduchou CNN a tréninkovou smyčku s výchozími hyperparametry.
  • Metrika: Pokud provádíte klasifikaci glaukomu na OCT, použijte AUC (Plocha pod ROC) nebo přesnost na validačním rozdělení. Pro segmentaci použijte Diceův koeficient nebo IoU na maskách vrstvy RNFL (SYN-OCT poskytuje masky (www.nature.com)).
  • Příklad program.md:

    "Cíl: Maximalizovat validační AUC pro detekci glaukomu z OCT snímků. Povolené modifikace: počet konvolučních vrstev, počet filtrů, velikost jader, aktivační funkce, rychlost učení, volba optimalizátoru, velikost dávky atd. Po každém 5minutovém tréninkovém běhu vyhodnotit AUC na vyčleněné sadě. Pokud se AUC zlepší, změnu ponechat; jinak vrátit zpět." (medium.com) (www.theneuron.ai). Agent tak vyzkouší variace (např. přidání vrstev, úpravu šířky, přepnutí z Adam na RMSProp) pro zlepšení AUC.

• Úloha: Segmentace vrstvy RNFL/GCC. Přesné měření tloušťky RNFL je klíčové. Pomocí syntetických OCT skenů (s poskytnutými segmentacemi) nebo jakéhokoli skutečného OCT s anotovanými vrstvami lze toto formulovat jako úlohu segmentace.

  • Datová sada: SYN-OCT opět poskytuje masky segmentace RNFL (www.nature.com). Další zdroj: některé akademické skupiny mají označené OCT B-skeny (často však proprietární). V případě potřeby lze použít obecné datové sady pro segmentaci OCT (jako je Duke retina OCT fluid challenge (www.nature.com)) jako proxy.
  • Model: Malá CNN podobná U-Netu, možná i oříznutá z baseline. Např. použít 3 dolů/nahoru bloky, začínající s 16 filtry. Agent smí měnit hloubku a šířku.
  • Metrika: Dice skóre nebo průměrné IoU předpovězené masky RNFL vs. skutečnost.
  • Příklad program.md:

    "Cíl: Maximalizovat Dice skóre pro segmentaci vrstvy RNFL na OCT. Základní model je 3blokový U-Net. Agent může měnit počet filtrů, přidávat dropout nebo měnit rychlost učení. Trénovat po dobu 5 minut každého pokusu a vypočítat Dice na validaci. Ponechat modifikace, které zvýší Dice."

• Úloha: Predikce progrese pomocí sériového OCT. Pomocí sekvenčního OCT predikovat budoucí ztenčení. Pokud existují longitudinální OCT data (např. UK Biobank nebo data soukromých klinik), cílem by mohla být predikce změny RNFL nebo binární štítek „rychlý progresor“.

  • Datová sada: Veřejná longitudinální OCT data specifická pro glaukom jsou vzácná. Lze však pro simulaci této úlohy znovu použít data z výzvy SR OCT (nebo snímky SYN-OCT se simulovanou progresí). Alternativně použít OCT snímky UK Biobank (i když nejsou specifické pro glaukom a nejsou snadno dostupné občanským vědcům). Pro ilustraci předpokládejme datovou sadu OCT skenů v čase 0 a čase 1 se štítky.
  • Model: Siamese nebo zřetězená CNN, která přijímá páry OCT snímků a vydává pravděpodobnost progrese. Začít s feedem času 0 a predikcí cut-off času 1.
  • Metrika: AUC pro binární klasifikaci progrese, nebo MSE, pokud se snažíme predikovat změnu tloušťky.
  • Příklad program.md:

    "Cíl: Identifikovat oči, u kterých dojde k rychlé ztrátě RNFL. Vstup: výchozí OCT; štítek: >5μm ztenčení po 1 roce. Používáme CNN klasifikátor. Povolené změny zahrnují hloubku sítě, rychlost učení, augmentaci. Jako metriku použít validační AUC."

2.2 Analýza zorného pole (VF)

• Úloha: Predikce budoucí ztráty zorného pole. Vzhledem k jednomu nebo více minulým testům Humphreyho zorného pole (hodnoty citlivosti v bodech) předpovědět budoucí citlivost nebo rychlost progrese. Jedná se o klasický problém managementu glaukomu.

  • Datová sada: Datová sada GRAPE (www.nature.com) (2023) poskytuje longitudinální sledování 263 očí (1115 záznamů) s VF a fundus/OCT, včetně anotované progrese. Dalším zdrojem je longitudinální databáze UH Visual Field (UWHVF) v USA (www.nature.com) (28 943 polí od mnoha pacientů). GRAPE je však dobře kurátovaná a veřejná s daty VF i výsledků.
  • Model: Jednoduchým přístupem je dopředná síť (plně propojená) na 54bodových datech VF (nebo komprimace na globální indexy). Pro predikci progrese může menší MLP nebo 1D-CNN zpracovat 54 nebo 30 vstupních prvků. Další nápad: zpracovat mřížku 8×8 jako malý obraz a použít malou CNN (např. jádra 3×3).
  • Metrika: Pokud predikujete budoucí průměrnou odchylku nebo bodové hodnoty, použijte MSE (nižší je lepší). Pokud klasifikujete „rychlého progresora vs. ne“, použijte AUC.
  • Příklad program.md:

    "Cíl: Minimalizovat MSE predikovaného zorného pole. Alternativně maximalizovat AUC pro klasifikaci rychlé ztráty. Základní model: 2vrstvý perceptron na 54 hodnotách VF. Agent může upravit skrytou velikost, aktivaci nebo přidat dropout. Po každém 5minutovém tréninku vypočítat metriku na validační sadě."

• Úloha: Identifikace rychlých progresorů. Použít sérii minulých VF k klasifikaci, u kterých očí dojde k rychlé ztrátě zraku.

  • Datová sada: Použít anotovaný stav progrese v GRAPE (www.nature.com) (oči byly označeny jako progredující). Nebo vzít UWHVF a označit horní decil ztráty MD jako „rychlý“.
  • Model: Mohl by zřetězit prvky ze dvou nebo tří po sobě jdoucích polí (nebo rozdíly) do malé sítě. Případně zahrnout výchozí NOT a věk, pokud jsou k dispozici.
  • Metrika: AUC pro rozlišení rychlých vs. pomalých progresorů.
  • Příklad program.md:

    "Cíl: Maximalizovat AUC pro predikci rychlé progrese zorného pole. Vstupní prvky: rozdíly druhého řádu VF1 a VF2, plus NOT. Použít malou síť FC. Agent může ladit šířky vrstev, rychlost učení, velikost dávky."

2.3 Screening léčiv/sloučenin (In Silico objev kandidátů)

• Úloha: Předpověď kandidátských neuroprotektivních/regenerativních sloučenin. Použít ML k nalezení malých molekul, které by mohly chránit GBS nebo podporovat regeneraci. Například mnoho známých sloučenin (jako nikotinamid, valproát) vykazuje neuroprotektivní účinky. Můžeme trénovat modely k rozpoznání chemototypů korelovaných se známou účinností a poté prohledávat chemický prostor.
  • Datová sada: Toto je náročné kvůli nedostatku specializované databáze léčiv pro glaukom. Jako proxy by se daly použít datové sady MolNet (např. inhibice HIV, propustnost přes BBB) nebo jakákoli datová sada bioaktivity. Alternativně sestavit seznam sloučenin testovaných v modelech poranění očního nervu (z literaturní těžby) se štítky. V praxi by se dalo začít s obecnější vlastností (např. data o penetraci krevně-mozkové bariéry z MoleculeNet).
  • Model: Malý transformátor nebo grafová neuronová síť na SMILES řetězcích. Transformátor (styl GPT-2) s několika vrstvami nebo jednoduchá grafová konvoluční síť (např. 3 GCN vrstvy) může být implementována v train.py.
  • Metrika: Pokud to považujeme za klasifikaci (aktivní vs. neaktivní), použijeme AUROC. Pokud predikujeme afinitu nebo logP, použijeme RMSE.
  • Příklad program.md:

    "Cíl: Maximalizovat klasifikaci ROC-AUC pro identifikaci sloučenin s neuroprotektivními vlastnostmi. Základní model: malý transformátor na SMILES. Agent může upravit počet vrstev transformátoru, dropout, rychlost učení nebo použít alternativní featurizace (např. vstup otisku prstu). Po každých 5 minutách vyhodnotit AUC na validačních molekulách."

(Poznámka: Protože veřejná data pro skutečnou neuroprotekci jsou vzácná, tato úloha je spíše ilustrativní. V praxi by občanští vědci mohli vytvořit vlastní datovou sadu známých neuroprotektivních sloučenin vs. kontroly a řídit se tímto vzorem.)

2.4 Modelování genové regulační sítě (jednobuněčné GBS)

• Úloha: Identifikace kombinací regenerativních transkripčních faktorů (TF). Použít data ze sekvenování RNA jednotlivých buněk (single-cell RNA-seq) z GBS k naučení transkripčních vzorců regenerativního růstu. Například některé podtypy GBS se regenerují lépe než jiné. Model ML by mohl předpovědět štítek „regenerativního stavu“ a bylo by možné prozkoumat, které transkripční faktory jsou důležité.
  • Datová sada: Studie z roku 2018 poskytuje jednobuněčné transkriptomy GBS (GEO přístup GSE115404) (pmc.ncbi.nlm.nih.gov), identifikující odlišné podtypy GBS. Můžeme použít tuto datovou sadu (nebo její podmnožinu), kde jsou buňky označeny podtypem nebo experimentální podmínkou (např. před- vs. poúrazové).
  • Model: Malý transformátor nebo MLP pracující na vektorech genové exprese (každá buňka má tisíce genových abundancí). Prakticky by se předem vybralo ~500 nejlepších genů (např. vysoce variabilních genů). Soubor train.py by mohl implementovat mini-transformátor (např. 4 vrstvy, embedding 256) nebo jednoduchý 2vrstvý perceptron.
  • Metrika: Pokud používáme neřízenou analýzu, mohlo by se použít siluetové skóre, ale jednodušeji, pokud označujeme buňky jako „regenerující“ vs. „neregenerující“ (pokud existují štítky), použijeme přesnost/AUC klasifikace.
  • Příklad program.md:

    "Cíl: Vytvořit model rozlišující regenerující vs. neregenerující profily genové exprese GBS. Začít s 3vrstvým transformátorem. Agent může měnit dimenzi embeddingu, hloubku, rychlost učení nebo přidávat batchnorm. Optimalizovat validační přesnost." Po bězích by váhy pozornosti nebo naučené vlastnosti nejlepšího modelu mohly zdůraznit klíčové transkripční faktory pro experimentování.

2.5 Analýza elektrofyziologických signálů

• Úloha: Detekce subklinické dysfunkce GBS pomocí ERG. Vzorový elektroretinogram (pERG) nebo jiné elektrofyziologické signály mohou odhalit zdraví GBS. Například zpožděné nebo snížené ERG reakce mohou předcházet defektům zorného pole. Můžeme se pokusit klasifikovat signály jako „normální“ vs. „podezření na glaukom“.
  • Datová sada: Veřejné ERG datové sady u glaukomu jsou vzácné. Lze použít surrogát: datovou sadu ze zvířat (retinální degenerace) nebo syntetické signály. Pokud nejsou k dispozici, i obecné 1D elektrofyziologické datové sady (např. EKG) by mohly ilustrovat pipeline.
  • Model: 1D CNN (např. 2 konvoluční vrstvy následované FC) na datech časových řad. Alternativně lze použít LSTM, pokud jsou sekvence delší.
  • Metrika: Přesnost nebo AUC při klasifikaci jemné dysfunkce vs. normální. Případně F1, pokud jsou třídy nevyvážené.
  • Příklad program.md:

    "Cíl: Maximalizovat validační přesnost pro klasifikaci ERG záznamů (zdravý vs. raný glaukomový vzor). Použít 1D CNN. Agent může upravit velikosti filtrů, krok nebo přidat rekurentní vrstvu. Ponechat jakékoli změny, které zlepší přesnost."

2.6 Těžba literatury (generování hypotéz)

• Úloha: Doladit malý jazykový model k odhalení nových poznatků. S tisíci výzkumných prací o glaukomu v PubMed by agent ML mohl hledat spojitosti nebo přeúčelovat kandidáty. Například propojit neuroprotektivní dráhy s existujícími léky. Můžeme to pojmout jako problém jazykového modelování nebo jako problém vyhledávání.
  • Datová sada: Sestavit korpus abstraktů souvisejících s glaukomem (např. použít vyhledávání PubMed pro „glaucoma gene therapy“ atd.). Lze stáhnout ~10 000 abstraktů pomocí NCBI API. Pro jednodušší začátek použít články o glaukomu s otevřeným přístupem z PMC.
  • Model: Malý transformátorový jazykový model (např. 6vrstvý GPT-2) nebo dokonce doladěný BERT. Pro účely autoresearchu pravděpodobně doladíme kauzální model (GPT) na textu.
  • Metrika: Standardně se optimalizuje validační ztráta (perplexity). Pokud provádíme klasifikaci (např. vzhledem k abstraktu predikujeme štítek pro lék nebo dráhu), použijeme přesnost/AUC.
  • Příklad program.md:

    "Cíl: Minimalizovat validační perplexitu malého GPT-2 na korpusu literatury o glaukomu. Použít 5minutové běhy doladění. Agent může měnit počet vrstev, skrytou velikost, rychlost učení, délku kontextu. Ponechat změny, které sníží perplexitu." Po tréninku lze tento model použít k generování hypotéz (např. „Nejlepší kandidátské přeúčelovatelné léky pro neuroprotekci u glaukomu: ...“).

V každé z těchto domén je klíčové, že jedno GPU a krátké běhy umožňují mnoho pokusů. Neočekáváme, že agent bude kódovat nové algoritmy od začátku, ale že bude ladit existující tréninkový skript. Lidská role spočívá v psaní program.md k nasměrování agentova hledání k cíli specifickému pro glaukom (jako je maximalizace AUC na fundus datové sadě nebo predikce tloušťky RNFL). Výše uvedené příklady ilustrují, jak by train.py mohl být zpočátku nastaven a jak program.md vyzývá ke zlepšení zvolené metriky (medium.com) (www.theneuron.ai).

3. Praktický průvodce implementací občanské vědy

Jak mohou motivovaní jedinci s omezenými zdroji (např. jedno RTX 3060 nebo MacBook s Apple Silicon) skutečně aplikovat autoresearch na problémy s glaukomem? Dobrou zprávou je, že Karpathyho repo je malé a obsahuje pokyny pro zmenšení. Zde jsou klíčové kroky a tipy:

• Nastavení prostředí: Naklonujte repo karpathy/autoresearch. Budete potřebovat moderní Python a ideálně přístup k LLM (agent samotný je typicky předtrénovaný LLM jako GPT-4 nebo Claude, který upravuje kód). Pro GPU nainstalujte PyTorch s řádnou podporou CUDA/metal. Pro Apple Silicon použijte jednu z vidlic (např. MLX) nebo build PyTorch pro M1/M2 (viz dokumentace repozitáře). Na Windows/Linux s 3060 nebo 4070 funguje normální PyTorch CUDA.

• Konfigurace pro malé GPU: Výchozí autoresearch používá model podobný GPT s přibližně 50M parametry a sekvencemi délky 1024 (medium.com), což může být náročné. Pro GTX 3060 (12 GB) byste měli snížit velikost modelu a délku sekvence. V train.py nastavte MAX_SEQ_LEN=512 nebo dokonce 256. Snižte počet vrstev a šířku (střední GPT má ~8 vrstev; zkuste 4 vrstvy, šířku 256). Pokyny v komunitě zmiňují snížení „DEPTH“, „WIDTH“ atd. Můžete také snížit paměť optimalizátoru použitím menších velikostí dávek (dokonce 16 nebo 8). Agent stále může mutovat tyto parametry, ale poskytnutí menšího výchozího bodu zajišťuje, že běhy budou kratší než 5 minut. README a diskuse v repozitáři autoresearch GitHub také uvádějí, že čipy Mac M1 dokážou zpracovat kratší sekvence (např. 256 tokenů) kvůli omezené paměti; podobné škálování platí pro jakékoli GPU.

• Příprava dat o glaukomu: Data pro každou úlohu je nutné načíst a rozdělit. Veřejné datové sady o glaukomu zahrnují:

  • Datové sady fundus snímků: ORIGA(-light) (650 označených snímků (pubmed.ncbi.nlm.nih.gov)), RIM-ONE DL (485 snímků se segmentací cup/disc (github.com)), REFUGE (1200+ snímků, s trénovacími/testovacími rozděleními (refuge.grand-challenge.org)), nová datová sada Hillel Yaffe Glaucoma Dataset (HYGD) s ~1200 fundus snímky a vysoce kvalitními štítky (physionet.org). EyePACS/AIROGS (desítky tisíc retinálních snímků) je také veřejně přístupný po registraci (např. Kaggle).
  • Datové sady OCT: SYN-OCT (200k syntetických B-skenů s maskami RNFL (www.nature.com) (www.nature.com)), OCTDL (2064 snímků různých retinálních onemocnění (www.nature.com)), a další z veřejných výzev.
  • Data zorného pole: GRAPE (263 očí longitudinální VF plus snímky (www.nature.com)). UWHVF (28k VF testů) je otevřená, pokud si ji stáhnete z repozitáře University of Washington (www.nature.com). Některé výzvy na Kaggle zahrnují data VF.
  • Elektrofyziologie: Neexistuje žádná velká otevřená datová sada ERG pro glaukom, ale dalo by se začít s jakýmikoli dostupnými daty signálu normy vs. glaukomu.
  • Chemická/Genová data: Standardní datové sady jako MoleculeNet (pro sloučeniny) nebo GEO (pro geny) lze znovu použít. Např. stáhnout surové počty GSE115404 (pomocí dotazu GEO (pmc.ncbi.nlm.nih.gov)) a předzpracovat na exprese matice.

  Pro každou z nich potřebujete prepare.py, který načítá data a definuje train_set, val_set a funkci pro hodnocení. Karpathyho šablona očekává, že prepare.py vypíše tréninková data a rutinu hodnocení, která vrátí ztrátu nebo metriku. Například prepare.py pro RIM-ONE by mohl načíst obrázky a CC označené jako glaukom, rozdělit je do tréninkových/validačních složek a definovat funkci pro výpočet validační AUC. ODKAZ na [14†L71-L79] pro strukturu RIM-ONE.

• Přizpůsobení dat pro malou škálu: Pokud jsou datové sady velké (jako EyePACS nebo SYN-OCT), můžete provést vzorkování a vytvořit „miniaturní“ datovou sadu s několika stovkami příkladů (model se i tak může naučit něco cenného z malého korpusu). Repozitář autoresearch dokonce zmiňuje použití „TinyStories“-style miniaturních datových sad pro běh na miniaturním hardwaru. Například vyberte 500 snímků z ORIGA (vyvážené) nebo 1000 VF polí z GRAPE. Podobně pro jazyk by se dala použít podmnožina 5 000 abstraktů z glaukomových článků z PubMed. Klíčem je pevná datová sada, přes kterou agent iteruje. Zajistěte předběžné zamíchání a rozdělení 80/20, aby každý 5minutový běh viděl stejné rozdělení trénovacích/validačních dat.

• Psaní strategií program.md: Komunita by měla sdílet různé program.md výzvy (jako „recepty“) v řízení verzí. Každý soubor by mohl kódovat výzkumnou strategii. Například jedna strategie by mohla říkat „zvýšit hloubku sítě, pokud hloubka <6, jinak snížit rychlost učení“, zatímco jiná by mohla říkat „zaměřit se na změny augmentace dat“. Postupem času mohou skupiny porovnávat, které strategie vedly k lepším metrikám na žebříčcích. Dobrý program.md obsahuje cíl (např. maximalizovat AUC nebo minimalizovat validační ztrátu) a naznačuje povolené mutace (vrstvy, filtry, LR). LLM agenta používá tyto instrukce k navrhování úprav kódu. Metriky udržujte standardizované (např. vždy uvádějte AUC pro úlohy klasifikace glaukomu), aby byly experimenty srovnatelné.

• Komunitní spolupráce: Aby se toto úsilí dalo škálovat, měla by se zorganizovat komunita občanských vědců:

  • Sdílené záznamy experimentů: Publikujte výsledky každého experimentu (např. „Běh č. 27 programu-v1 dosáhl Val AUC=0.82 s šířkou=4, hloubkou=3“).
  • Standardizované metriky: Definujte metriky pro každý úkol: např. „OCT glaukom AUC“, „VF progrese AUC“, „Atribut AUC“ atd. Sdílený žebříček (podobný autoresearchovu val_bpb) může sledovat nejlepší skóre. Například Slack nebo GitHub Actions by mohly týdně sbírat nejlepší AUC každého agenta.
  • Verzovaný program.md: Hostujte všechny program.md v repozitáři GitHub. Členové mohou vytvářet forky a navrhovat nové strategie (prostřednictvím pull requestů), přičemž zachovávají historické verze. Tímto způsobem lze paralelně testovat více přístupů (např. „program_word2vec.md“ vs. „program_transformer.md“).
  • Sdílení dat a kódu: Používejte veřejná repozitáře nebo notebooky pro skripty pro přípravu dat a sdílejte úpravy train.py, které agent našel (pro reprodukci ve standardních ML frameworkech). Odkazy na původní zdroje datových sad (Kaggle, PhysioNet, Zenodo) zajistí, že ostatní mohou stáhnout stejná data.

Snížením technických bariér (agent edituje kód, uživatel edituje instrukce v Markdownu) a koordinací úsilí (sdílené protokoly, žebříčky) mohou občanští vědci kolektivně prozkoumat volby hyperparametrů/modelů pro tyto problémy ML glaukomu. V podstatě investují lidskou kreativitu do definování cílů a nechávají agenta provádět stovky experimentů přes noc na každý cíl (medium.com) (www.theneuron.ai).

4. Konkrétně obnova zraku

Obnova zraku – získání zraku zpět po poškození – je obzvláště vzrušujícím cílem pro optimalizaci řízenou umělou inteligencí. Současný výzkum obnovy zraku asistovaný umělou inteligencí zahrnuje retinální implantáty, kortikální protézy a optogenetiku. Zde je, jak by se smyčka autoresearch mohla hodit:

• Optimalizace kódování zrakových protéz: Moderní protézy (retinální implantáty nebo kamery propojené s elektrodovými poli) se snaží převést obraz z kamery do vzorců elektrické stimulace, které mozek interpretuje jako zrak. Výzvou je, že „šířka pásma“ elektrod je velmi omezená (často jen desítky až několik stovek bodů) (pmc.ncbi.nlm.nih.gov). Model ML (malá CNN nebo transformátor) může být trénován k mapování vstupních obrazů na ideální stimulační mapy, ale nejlepší hyperparametry nebo architektury pro tuto transformaci nejsou známy. Agent autoresearch by mohl za hodiny spustit 100 variant modelu „neurálního kodéru“. Například nastavit datovou sadu párů obraz→stimulace (buď simulované fosfény nebo data pacientů) a nechat agenta optimalizovat kodérovou síť, aby minimalizoval ztrátu rekonstrukce nebo maximalizoval užitkovou metriku (integrita kontrastu, přesnost rozpoznávání). Agent by mohl zkoušet přidávat vrstvy pozornosti, měnit velikosti konvolucí nebo ladit rychlosti učení. Během mnoha běhů by bylo možné nalézt malé sítě, které poskytují výraznější protetické výstupy. Některé nedávné práce již používají AI k extrakci vizuální výraznosti pro protézy (pmc.ncbi.nlm.nih.gov); autoresearch by mohl automatizovat ladění takových pipeline.

• Optogenetické stimulační vzorce: Při optogenetické terapii se přeživší GBS nebo jiné retinální buňky zcitliví na světlo (pomocí zavedených genů). Vstupy z kamery musí být poté kódovány do světelných pulzů. I zde může model ML řídit vzorce. Dalo by se formulovat hračkářská úloha: malá síť transformuje obraz z kamery na mapu intenzity světla (stejné rozměry jako buňky). Cílem agenta by mohlo být maximalizovat nějakou metriku efektivní stimulace (např. maximalizovat aktivaci cílových buněk v simulované sítnici). Každý pokus by mohl spustit rychlou simulaci odezvy. Během iterací by agent mohl prozkoumávat délky pulzů nebo prostorové filtry. Například úprava agresivity horní propusti na vstupu z kamery by mohla být prospěšná pro některé vzorce. Jde o to, že mnoho analogových parametrů (jádra filtrů, nelinearita, časové kódování pulzů) lze automaticky prohledávat.

• Optimalizace pulzních vzorů (TES a implantáty): I oblasti mimo strojové učení mohou těžit z rychlého hledání. Například nedávná studie (Xie et al. 2025) zjistila, že kratší doby pulzů a vložení mezifázových intervalů významně zlepšily kortikální aktivaci pro retinální implantáty (pmc.ncbi.nlm.nih.gov). To naznačuje, že prostor parametrů elektrické stimulace má silné, neintuitivní účinky. Agent autoresearch by mohl zacházet s parametry stimulačního protokolu (doba fáze, frekvence, interval) jako s „parametry sítě“ a provádět mnoho malých experimentů (simulovaných nebo empirických) k maximalizaci kortikální odezvy. Například nastavit zjednodušený elektrický model (nebo použít zaznamenaná data evokovaných potenciálů) v prepare.py a nechat agenta upravovat parametry train.py, jako je časování pulzů, k maximalizaci definované amplitudy odezvy. To je podobné automatizaci toho, co zkušení neurovědci dělají ručně.

• Design virových vektorů a geometrie nosičů: V rámci více explorativního vývoje terapií by přístup s iterativní smyčkou agenta mohl také řešit biomedicínské optimalizace. Například návrh virových kapsid AAV nebo promotorů pro cílení na GBS by mohl být řízen malými prediktivními modely (např. logistická regrese na sekvenčních vlastnostech). Autoresearch by mohl opakovaně zkoušet modifikovat model, který predikuje tropismus nebo expresi (trénovaný například na malých virových knihovnách), aby zlepšil tuto predikci. Podobně, pokud někdo má simulační kód pro růst v nervových nosičích (pro opravu zrakového nervu), agent by mohl ladit geometrické parametry pro maximalizaci prodloužení axonu. Jedná se o pokročilé, ale koncepčně zapadající úkoly – „agent jako experimentátor“ by mohl upravovat parametry modelu nebo simulace pro lepší výsledky.

Souhrnně lze říci, že jakýkoli aspekt zrakové protézy nebo obnovy, který se spoléhá na parametrizované algoritmy, by mohl být vylepšen rychlými iteracemi. Důležité je, že omezením je, že pro mnoho těchto úloh máme obecně pouze simulační data; skutečné testování stovek variant u pacientů není možné. Ale autoresearch může pracovat in silico a navrhnout nejlepší kandidáty pro pozdější klinické testování. Jak poznamenala recenze protéz, „zajištění spolehlivého generování fosfénů na přesných místech… je důležitou výzvou“ a „modely řízené umělou inteligencí prokázaly potenciál“ v této oblasti (pmc.ncbi.nlm.nih.gov). Autoresearch by mohl významně urychlit nalezení nejlepších konfigurací těchto modelů AI.

5. Přemostění ke klinickému dopadu

Výpočetní výsledky se nakonec musí propojit se skutečným výzkumem a péčí o glaukom. Jak lze nápady generované pacienty vedeným autoresearch ověřit a posunout dál?

• Spolupráce s výzkumnými skupinami: Občanští vědci by měli navázat kontakt s etablovanými výzkumnými konsorcii pro glaukom. Příklady zahrnují International Glaucoma Genetics Consortium (IGGC) a konsorcium NEIGHBORHOOD, které shromažďují genetická a klinická data (pubmed.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). Zjištění z autoresearchu (např. nová kandidátská genová nebo léková hypotéza) by mohla být sdílena s takovými skupinami pro experimentální následné ověření. Laboratoře tkáňových kultur (např. na velkých univerzitách) nebo výzkumníci spánku by mohli testovat sloučeniny na přežití GBS. Akademičtí klinici mohou korelovat jakýkoli biomarker nebo klasifikátor obrazu s daty svých pacientů pod dohledem IRB. Klíčové je zahájit dialog mezi skupinami typu hackathon a formálními laboratořemi.

• Zapojení pacientských advokačních organizací: Skupiny jako Glaucoma Research Foundation nebo Cure Glaucoma Foundation často financují inovace zaměřené na pacienty. Mohly by sponzorovat projekty ověřující koncept nebo občanské soutěže s využitím autoresearch. Tyto organizace mají sítě kliniků a mohly by pomoci nasměrovat slibné modelové poznatky do kliniky. Například, pokud agent označí stávající FDA schválený lék jako neuroprotektivní, advokační skupina by mohla pomoci s nastavením malé studie podle správných protokolů. Zvýraznění úspěchů bude vyžadovat formulování výstupů jako hypotéz (nikoli lékařských rad) a zajištění transparentnosti.

• Etické a bezpečnostní záruky: Občanští vědci musí používat pouze deidentifikovaná veřejná data nebo plně syntetická data. Jakékoli použití skutečných záznamů pacientů vyžaduje protokol schválený IRB (a pravděpodobně souhlas pacienta). Výstup ze smyček autoresearch by měl být jasně označen jako generující hypotézy. Například: „Tento model naznačuje, že lék X může chránit GBS – je nutné experimentální ověření.“ Kritická lékařská rozhodnutí musí zůstat u lékařů. Rizika zahrnují neúmyslné šíření modelů, které predikují osobní výsledky (progresi glaukomu) – explicitní vyloučení odpovědnosti je nezbytné, aby se s nimi nezacházelo jako s diagnostickými nástroji. Osvědčené postupy ochrany dat (např. používání agregovaných nebo anonymizovaných polí) jsou nutností.

• Precedenty v občanské vědě: Není bezprecedentní, aby se amatéři podíleli na lékařském/neurovědeckém výzkumu. Projekt Eyewire (MIT crowdsourcovaná hra na mapování neuronů) mobilizoval dobrovolníky k rekonstrukci retinálních neurálních obvodů (www.citizenscience.gov). V oftalmologii pomáhali neexpertní s anotací snímků ve výzvách financovaných OpenAI (např. označené datové sady pro oční choroby). Mimo oční péči hry jako Foldit (skládání bílkovin) a Galaxy Zoo (klasifikace galaxií) ukazují, že účast občanů může řešit složité vědecké problémy. Tyto úspěchy podporují myšlenku, že mnoho rukou (a nyní i umělé inteligence) skutečně může pomoci komplexnímu výzkumu. Přístup autoresearch je jako dát každému člověku asistenta AI v laboratoři: předchozí crowdsourcované úsilí používalo pouze lidi k analýze pevných úkolů, zatímco zde člověk stanoví cíl a AI provádí iterace.

Transparentností, opatrností a spoluprací si iniciativa občanské vědy v oblasti autoresearch může získat důvěru. Měla by klást důraz na „generování podnětů, nikoli předpisů.“ Pokud komunita dokumentuje metody a otevřeně sdílí kód, profesionální výzkumníci mohou zjištění reprodukovat. Například, pokud někdo najde novou kombinaci RGC-ochranných faktorů, mohl by ji zveřejnit v preprintu nebo upozornit laboratoř. Reference ve stylu citací (jak to děláme zde) pomáhají přemostit: např. „Vaše kandidátské léky jsme zkoumali v kontextu známých drah (pmc.ncbi.nlm.nih.gov).“ Nakonec se jedná o formu otevřené vědy – řízenou pacienty, ale vědecky rigorózní. Pokud jsou dodržovány etické standardy, má takováto iniciativní inovace velký potenciál podnítit nové spolupráce a nakonec se promítnout do recenzovaného oftalmologického výzkumu.

6. Konkrétní 90denní plán

Cílený, časově omezený plán může shromáždit komunitu 10–50 lidí (každý s alespoň jedním GPU nebo Apple Silicon) k zahájení úsilí autoresearch pro glaukom. Zde je navržený fázovaný plán:

• 1.–2. týden: Formace a nastavení

  • Nábor a zahájení: Vytvořte komunikační kanál (např. Slack nebo Discord) a repozitář GitHub pro projekt. Zveřejněte na fórech pacientů s glaukomem, ve skupinách biohackerů a na AI setkáních.
  • Kontrola hardwaru: Zajistěte, aby každý mohl nainstalovat PyTorch a naklonovat Karpathyho repozitář (nebo fork Maple). Uspořádejte úvodní sezení, kde každý člen spustí ukázkovou autoresearch smyčku na hračkářské datové sadě (např. podmnožině CIFAR-10), aby ověřil prostředí.
  • Výběr datové sady: Rozhodněte se pro 1–3 počáteční úkoly (např. klasifikace OCT, progrese VF). Pro každý úkol přidělte malý tým k přípravě dat: např. jeden tým stáhne snímky RIM-ONE (github.com)), další získá GRAPE pole (www.nature.com), další shromáždí literární abstrakty. Týmy by měly rozdělit data 80/20 a vytvořit základní soubory prepare.py.
  • Základní modely: Pro každý úkol dokončete jednoduchý soubor train.py: např. malou CNN pro RIM-ONE, MLP pro VF. Vyberte metriky hodnocení (AUC, Dice, MSE).
  • Počáteční návrh program.md: Každý tým napíše počáteční instrukční soubor (program.md) uvádějící cíl a povolené změny. Např. pro RIM-ONE: „maximalizovat AUC detekce glaukomu,“ pro GRAPE: „minimalizovat VF MSE.“

• 3.–6. týden: První experimentální cykly

  • Spouštění smyček Autoresearch: Každá podskupina spustí agenta na svém úkolu přes noc (přibližně 100 5minutových běhů). Začněte s jedním program.md a poté nechte účastníky přidávat variace (např. „program_temp1.md“).
  • Sběr výsledků: Každé ráno týmy prozkoumají protokoly (repo automaticky zaznamenává každý běh). Zaznamenejte dosaženou nejlepší metriku, parametry modelu v té době a jakékoli významné změny, které agent našel. Pro transparentnost nahrajte tyto výsledky na sdílený GitHub (například ve formátu CSV nebo JSON).
  • Iterace a zpětná vazba: Porovnejte běhy. Překonala nějaká strategie významně základní linii? Pokud podtým vidí malý pokrok, měl by upravit program.md (např. být agresivnější se změnami rychlosti učení). Každý víkend syntetizujte zjištění na komunitním setkání.
  • Nástroje: Použijte Git pro správu verzí program.md a šablon kódu. Zvažte sdílenou tabulku Google Sheet nebo wiki pro žebříčky (např. „OCT-AUC: nejlepší=0.85 od Alice; VF-RMSE: nejlepší=2.1 od Boba“). To motivuje ke zdravé konkurenci a transparentnosti.

• 7.–12. týden: Zpřesnění a osvěta

  • Zpřesnění experimentů: Na základě raných výsledků upřesněte slibné úkoly. Například, pokud klasifikátor RIM-ONE překonal AUC 0,90 – nyní zkuste přidat augmentaci dat nebo o něco hlubší síť. Podpořte větvení: někteří mohou vyzkoušet různé architektury (např. Vision Transformer tiny místo CNN). Agenti mohou spouštět více variant program.md paralelně.
  • Syntéza výsledků: Vytvořte krátké zprávy o každé doméně (OCT, VF atd.), shrnující, co fungovalo. Například: „Zlepšili jsme Dice koeficient segmentace GCC z 0,60 na 0,75 přepnutím z aktivace ReLU na GELU.“ Použijte jednoduchý jazyk, aby i laici mohli sledovat (slovník ML termínů).
  • Prezentace komunitě: Do 10. týdne sepište blogový příspěvek nebo prezentaci shrnující dosavadní iniciativu. Zdůrazněte všechna netriviální zjištění (i „nulové“ výsledky jsou užitečné ke sdílení). Pozvěte zpětnou vazbu z online fór; možná kontaktujte výzkumníka s dotazem na komentáře („Zjistili jsme, že úpravy neurálních sítí X pomáhají klasifikovat raný glaukom – nějaké nápady, zda to odpovídá fyziologii?“).
  • Plán osvěty: Identifikujte jednu nebo dvě oftalmologické laboratoře nebo kliniky, které mají zájem o spolupráci. Oslovte je s počátečními výsledky. Například se spojte s autory datové sady HYGD nebo týmem GRAPE na Twitteru/LinkedIn, zmiňte svá občanská zjištění. Prozkoumejte možnosti společného ověření (např. pošlete jim váhy trénovaného modelu k testování na jejich datech).

• Po 12 týdnech: Další kroky

  • Pokračujte v cyklování na nejslibnějších a nových úkolech. Například, pokud RIM-ONE přináší dobré výsledky, dále se pusťte do REFUGE. Možná sestavte kompozitní modely (ensemble CNN).
  • Oficiálně založte stránku projektu nebo preprint popisující úsilí.
  • Zvažte uspořádání hackathonu, který by přilákal více mozků, případně ve spolupráci s charitativní organizací pro glaukom.

Tímto způsobem může komunita dosahovat stabilního pokroku, učit se společně a do konce 90 dnů začít navazovat mosty k odborníkům.

7. Rizika, omezení a poctivé zhodnocení

Myšlenka autoresearch pro glaukom je ambiciózní, a proto vyžaduje upřímnost ohledně potenciálních úskalí:

• Riziko přetrénování a falešných vzorců: Malé modely na malých, šumivých datových sadách se často uchytí na náhody. Agent může najít úpravu, která zlepší validační AUC jednoduše přetrénováním na zvláštnosti. Například, pokud podmnožina obrázků měla jemnou anotační značku, síť by ji mohla použít místo skutečných rysů glaukomu. To vede k „klamání gradientním sestupem.“ K zmírnění:

  • Pro konečné hodnocení vždy používejte vyčleněné testovací sady (zcela oddělené od jakéhokoli ladění).
  • Omezte složitost: udržujte modely skromné a sledujte, zda agent nadměrně prohlubuje nebo rozšiřuje síť za rozumnou míru.
  • Pokud model dosáhne téměř dokonalého skóre příliš rychle, zpochybněte to.
  • Používejte kontroly zdravého rozumu: např. zamíchejte štítky a zjistěte, zda AUC klesne na náhodnou hodnotu (pokud ne, dochází k úniku dat).

• Zaujatost a kvalita dat: Veřejné datové sady o glaukomu často pocházejí z úzkých populací (např. ORIGA ze Singapuru) (pubmed.ncbi.nlm.nih.gov). Model naladěný na ně se nemusí zobecnit. Občanské experimenty by měly toto omezení poznamenat. Ideálně se používají více datové sady (z různých kohort) k ověření, zda jsou zjištění robustní.

• Falešné stopy („výzkumné divadlo“): Spouštění mnoha experimentů působí produktivně, ale pokud je každé zlepšení pouze na syntetických nebo triviálních datových sadách, nemusí to být pro pacienty přínosné. Aby se tomu předešlo:

  • Zaměřte se na úkoly s klinickou relevancí (např. včasná detekce z rutinního OCT).
  • Pokud je to možné, propojte výsledky se skutečnými měřeními (např. AUC pro progresi, nikoli jen malý rozdíl ve ztrátě).
  • Upřednostněte interpretovatelnost: pokud agent „najde“ nový biomarker, zkuste se ujistit, že dává smysl (např. zaměřuje se na známé anatomické změny?).

• Žádná klinická záruka: Musí být naprosto jasné: výstup z těchto smyček je generování hypotéz, nikoli lékařská rada. Model navrhující nový lék musí být ověřen v laboratoři před jakýmkoli použitím u pacienta. Nadměrné tvrzení je nebezpečné. Označte všechny sdílené výsledky s upozorněním: „Jedná se o AI-průzkum a nikoli o recenzované zjištění.“

• Omezení „malého modelu“: Velmi malé sítě mají omezenou kapacitu. Mohou přehlédnout složité vzorce. Naopak velké modely často dosahují průlomů, ale vyžadují obrovská data. Zde přijímáme omezený rozsah: doufáme, že i malá zlepšení mohou vést výzkum. Ale neměli bychom očekávat, že tyto modely nahradí hluboké učení na masivních datech. Jsou nejlepší v rychlém vyzkoušení zjevných nápadů.

• Důvěryhodnost agenta: Agent (např. GPT-4) může halucinovat nebo se odchýlit. Je důležité, aby výsledky byly reprodukovatelné: po spuštění agenta by měl člověk zkontrolovat, jaké změny byly zachovány, a znovu spustit trénink, aby potvrdil metriku. Udržujte agenta čestného zahrnutím prohlášení do program.md, jako je „přijímat pouze skutečná zlepšení v metrice hodnocení“.

Navzdory těmto výzvám je klíčovou zárukou transparentnost a kritické sledování. Dokumentujte vše. Když model ukáže vzorec, ověřte ho. Pokud mnoho občanských vědců vidí stejnou anomálii (např. všechny modely s vysokým AUC pro úlohu OCT zdůrazňují nosní oblast sítnice), posiluje to argument. Cílem je urychlit fázi generování nápadů, nikoli se vyhnout pečlivé vědě poté.

Závěr

Glaukom je komplexní, tiše oslepující onemocnění s mnoha nenaplněnými výzkumnými potřebami – od ochrany neuronů po obnovu zraku. Současně AI demokratizovala experimentování: jedna osoba s GPU a trochou odhodlání může provádět automatizované prohledávání hyperparametrů, které by týmům trvalo týdny ručně. Karpathyho autoresearch framework v podstatě předává každému občanovi asistenta AI v laboratoři. Psaním jasných cílů na vysoké úrovni v Markdownu mohou komunitní výzkumníci nechat agenta procházet produkty a jít přímo k slibným vodítkům.

Nastínili jsme, jak toho lze v praxi dosáhnout: identifikací úloh ML pro glaukom, výběrem dat (fundus a OCT snímky, zorné pole, molekulární datové sady), definováním modelů a metrik a použitím programových instrukcí k řízení hledání. Nastínili jsme 90denní komunitní plán a poznamenali, jak se propojit s klinickými lékaři, aby cenný výstup mohl informovat skutečnou vědu o glaukomu. Přístup je velmi „občanská věda“: zpřístupnění nástrojů vědeckého objevu přístupným způsobem, přičemž stále spoléhá na odborný dohled tam, kde je to důležité.

Citace: Odkazovali jsme na nejnovější zdroje jak ve výzkumu glaukomu, tak v AI. Klíčová fakta (prevalence onemocnění, polovina nediagnostikovaných (physionet.org)), slibné terapie (CNTF implantáty (pmc.ncbi.nlm.nih.gov), genové úpravy (pmc.ncbi.nlm.nih.gov)), a stinná úskalí (AI v zobrazování (pmc.ncbi.nlm.nih.gov)) jsou zakotvena v současné literatuře. Samotný autoresearch je popsán v Karpathyho návodu (medium.com) a recenzi (www.theneuron.ai). Ty by měly dodávat důvěryhodnost zde nastíněné vizi.

Nakonec doufáme, že se čtenář cítí posílen: pokud jste pacient, pečovatel nebo vášnivý kutil, můžete být součástí posouvání výzkumu glaukomu vpřed. Nástroje a data existují, problémy jsou jasné a s koordinací a AI agentem můžeme urychlit učení. Stejně jako u každého výzkumu, cesta bude mít falešné starty, ale i neúspěchy nás něco naučí – často nasměrují lidské mysli ke správným přístupům. S očima doširoka otevřenýma jak pro možnosti, tak pro úskalí, by občany vedený autoresearch mohl stát se mocným doplňkem tradiční vědy o glaukomu.

Začněte zde

Nejjednodušší způsob, jak si dnes vyzkoušet autoresearch pro glaukom: Spusťte drobnou klasifikaci na fundus snímcích ORIGA.

1. Získejte data: Stáhněte si datovou sadu ORIGA-light (650 retinálních fundus snímků označených jako normální vs. glaukom) (pubmed.ncbi.nlm.nih.gov). Rozdělte ~80 % pro trénink / 20 % pro validaci.
2. Počáteční model: Použijte nebo adaptujte ukázkový skript z [karpathy/autoresearch] pro klasifikaci obrázků. Například kousek kódu pro načítání obrázků ORIGA a trénování malé CNN (2–3 konvoluční vrstvy) pro rozlišení glaukomu vs. zdravých.
3. Napište program.md: V textu stanovte cíl na „maximalizovat validační AUC pro detekci glaukomu“ a instruujte agenta, že může ladit hloubku modelu, rychlost učení atd. Například:

Cíl: Maximalizovat AUC na datové sadě ORIGA pro glaukom vs. normální.

Agent by se měl pokusit upravit velikosti konvolučních vrstev, počet filtrů a rychlost učení. Každý pokus trvá 5 minut tréninku. Pokud se validační AUC zlepší, změnu zachovat. Opakovat.

4. Spusťte smyčku: Spusťte autoresearch (nasměrujte jej na své soubory prepare.py, train.py a program.md). Nechte jej běžet několik hodin nebo přes noc na vašem RTX 3060. Automaticky provede ~100 experimentů.
5. Zkontrolujte výsledky: Prozkoumejte konzoli nebo log, abyste viděli nejlepší dosaženou validační AUC (měla by být >0.8, pokud vše půjde dobře). Nyní máte model a tréninkový skript, který AI agent vylepšil.

Tento jednoduchý víkendový experiment vám již poskytuje přímou zkušenost s budováním ML pipeline, aniž byste museli ručně psát nový kód. Zdokumentujte, co jste vyzkoušeli, a sdílejte svůj program.md a výsledky s komunitou. Každý malý úspěch (zvýšení AUC, zajímavé změny v síti) je stavebním kamenem. Doslova dáváte umělé inteligenci pokyn k provádění výzkumu na problému s glaukomem, který si zvolíte – a tím se učíte jak datovou vědu o glaukomu, tak máte naději, že něco změníte v chápání nebo léčbě ztráty zraku.

Hodně štěstí! Uchovávejte otázky a zjištění jako open-source a pamatujte: toto jsou nástroje pro výzkumnou hru, nikoli lékařská rada. Pečlivě kontrolujte své běhy a užijte si proces objevování.

**`