Wstęp

Jaskra to grupa chorób oczu, które uszkadzają nerw wzrokowy i mogą prowadzić do nieodwracalnej ślepoty. Często nazywana „cichym złodziejem wzroku”, jaskra dotyka miliony ludzi na całym świecie. Szacuje się, że do 2040 roku na jaskrę będzie cierpieć 111,8 miliona ludzi (medicalxpress.com). Wczesne wykrycie i leczenie są kluczowe, ponieważ utrata wzroku nie może być w pełni odzyskana. W tym miejscu sztuczna inteligencja (AI) toruje sobie drogę: analizując obrazy oka i dane z badań, AI może pomóc w bardziej efektywnym przesiewaniu, diagnozowaniu i monitorowaniu jaskry. W tym artykule badamy, jak AI jest obecnie stosowana w opiece nad pacjentami z jaskrą – cytując rzeczywiste narzędzia i badania – oraz analizujemy pojawiające się możliwości, zwłaszcza w badaniach nad przywracaniem wzroku. Koncentrujemy się na sprawdzonych wynikach (np. czułości i swoistości narzędzi AI) oraz na konkretnych przyszłych zastosowaniach, dostarczając praktycznych wskazówek zarówno dla pacjentów, jak i badaczy.

AI w obecnym przesiewowym badaniu i diagnozowaniu jaskry

Analiza obrazów ze smartfonów i zdjęć dna oka

Jednym z głównych zastosowań AI jest obecnie zautomatyzowana analiza zdjęć dna oka (obrazów siatkówki) w celu przesiewowego badania w kierunku jaskry. Zespoły badawcze połączyły przenośne kamery do zdjęć dna oka lub przystawki do smartfonów z klasyfikatorami AI, aby oznaczać jaskrowe tarcze nerwu wzrokowego. Na przykład, niedawne prospektywne badanie w Indiach przetestowało model AI offline wbudowany w smartfonową kamerę do zdjęć dna oka (Medios AI-Glaucoma na urządzeniu Remidio FOP NM-10). System ten wykrywał pacjentów wymagających skierowania („jaskra kwalifikująca się do skierowania”) z około 94% czułością i 86% swoistością w porównaniu z pełną oceną kliniczną (pmc.ncbi.nlm.nih.gov). W liczbach, AI prawidłowo zidentyfikował 93,7% prawdziwych przypadków jaskry i prawidłowo wykluczył 85,6% przypadków bez jaskry (pmc.ncbi.nlm.nih.gov). Tak wysoka dokładność pokazuje, że przesiewowe badanie jaskry oparte na AI w smartfonach może wiarygodnie znajdować pacjentów ze zmianami jaskrowymi w ich tarczach nerwu wzrokowego.

Inne badanie wykorzystało podobną konfigurację AI-kamera dla wszystkich stadiów zaawansowania jaskry. Stwierdzono, że AI osiągnęło 91,4% czułości i 94,1% swoistości w wykrywaniu jaskry lub przypadków podejrzanych (pmc.ncbi.nlm.nih.gov). Skuteczność była nieco niższa w przypadku bardzo wczesnej choroby (około 87% czułości) i najwyższa w przypadku zaawansowanych przypadków (96% czułości) (pmc.ncbi.nlm.nih.gov). Wyniki te pochodzą z klinik ambulatoryjnych i pokazują, że narzędzia AI mogą dorównywać badaniom specjalistycznym w oznaczaniu podejrzanych oczu. Podkreślają również, że AI często działa ostrożnie, oznaczając łagodne lub podejrzane przypadki; w jednym badaniu większość fałszywie pozytywnych wyników dotyczyła oczu oznaczonych przez specjalistów jako „podejrzenie tarczy nerwu wzrokowego” (pmc.ncbi.nlm.nih.gov). To konserwatywne podejście pomaga uniknąć przeoczenia prawdziwej choroby kosztem kilku dodatkowych skierowań.

Grupy komercyjne i badawcze już rozwijają takie systemy. Na przykład, system Medios AI-Glaucoma (Remidio, Indie/Singapur) integruje się z kamerą do zdjęć dna oka na smartfonie i wykazał powyższe wyniki (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). Inne platformy AI (np. BegIA) wykorzystują obrazy ze smartfonów do oceny stosunku zagłębienia do tarczy nerwu wzrokowego, a nawet analizują obrazy twarzy pod kątem nieprawidłowości oczu (glaucoma.org). W jednej ocenie klinicznej aplikacja na smartfona zgłosiła pole pod krzywą (AUC) wynoszące 0,966 dla wykrywania jaskry, z 95,4% czułością i 87,3% swoistością (glaucoma.org).

Telemedycyna i zdalne badania przesiewowe

Aplikacje wykorzystujące AI są również używane w telemedycynie w jaskrze. Na przykład, platforma chmurowa iPredict uruchamia AI na przesłanych obrazach dna oka. W rzeczywistym badaniu klinicznym to narzędzie telemedyczne osiągnęło ~89,7% dokładności (83,3% czułości, 93,9% swoistości) w identyfikacji przypadków podejrzanych o jaskrę na podstawie zdjęć siatkówki (pmc.ncbi.nlm.nih.gov). AI klasyfikowało tarcze nerwu wzrokowego na „podejrzenie jaskry” kontra normalne, mierząc pionowy stosunek zagłębienia do tarczy, zgadzając się z ekspertami w 93,9% przypadków (pmc.ncbi.nlm.nih.gov). System wykazał 100% zgodność między oceną osobistą a zdalną, przetworzoną przez AI, dla zestawu testowego (pmc.ncbi.nlm.nih.gov). Oznacza to, że pacjent w wiejskiej klinice mógłby uzyskać wynik badania przesiewowego w czasie rzeczywistym za pośrednictwem AI, z natychmiastową poradą dotyczącą skierowania, jeśli to konieczne. Takie platformy sprawiają, że badania przesiewowe są bardziej dostępne i spójne, zwłaszcza na obszarach o niewystarczającej opiece medycznej (glaucoma.org) (pmc.ncbi.nlm.nih.gov).

OCT, pola widzenia i integracja danych

Poza zdjęciami, AI jest stosowane do innych testów jaskrowych. Modele głębokiego uczenia mogą segmentować skany optycznej koherentnej tomografii (OCT) w celu pomiaru grubości warstwy włókien nerwowych siatkówki (RNFL) lub cech tarczy nerwu wzrokowego. Mogą również analizować testy pola widzenia (VF) pod kątem subtelnej progresji. Na przykład, konwolucyjne sieci neuronowe zostały przeszkolone do rozróżniania wzorców jaskry na mapach VF. Inne narzędzia AI łączą wiele źródeł danych – odczyty ciśnienia, OCT, VF, historię pacjenta – w celu obliczenia wskaźników ryzyka jaskry. Chociaż wiele z nich jest w fazie rozwoju lub wczesnych badań, obiecują one pomóc klinicystom, wskazując pacjentów, których choroba może się pogorszyć i wymagać ściślejszej opieki. Jeden przegląd donosi o systemach głębokiego uczenia (DL), które z powodzeniem przewidują przyszłą utratę pola widzenia z wyprzedzeniem do kilku lat, ucząc się z poprzednich serii VF (pmc.ncbi.nlm.nih.gov). Te najnowocześniejsze metody zostały dotychczas przetestowane na danych retrospektywnych, wskazując na wykonalność prognozowania progresji choroby przez AI, ale nie stały się jeszcze rutynową praktyką.

Mierzalny wpływ i wydajność w praktyce

Kilka badań demonstruje wymierną skuteczność narzędzi AI w warunkach klinicznych. Jak zauważono, AI na smartfonie do zdjęć dna oka osiągnęło ~91-94% czułości i ~86-94% swoistości w dużych kohortach pacjentów (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). Telemedyczny projekt AI zgłosił ~89,7% ogólnej dokładności (pmc.ncbi.nlm.nih.gov). Są to imponujące dane – w warunkach badawczych AI jest już na równi z wyszkolonymi okulistami w zakresie przesiewowych badań. Co ważne, niektóre fałszywie negatywne wyniki dotyczyły jedynie łagodnej, wczesnej jaskry, podczas gdy fałszywie pozytywne miały tendencję do bycia „podejrzanymi tarczami” nerwu wzrokowego, a nie wyraźnymi normami (pmc.ncbi.nlm.nih.gov).

Równie ważna jest adopcja. Systemy takie jak Medios i model iPredict są wprowadzane w częściach Indii i innych miejscach do badań przesiewowych populacji. Chociaż szczegółowe dane dotyczące adopcji dopiero się pojawiają, początkowe raporty (na przykład programy informacyjne Remidio) sugerują, że setki klinik używają jednostek kamerowych opartych na AI. AI trafia również do stacji roboczych w szpitalach: kilku producentów urządzeń OCT integruje funkcje segmentacji i analizy AI, aby oznaczać ścieńczenie RNFL lub przewidywać utratę RNFL. W środowisku akademickim wiele klinik testuje obecnie modele AI na istniejących danych w celu udoskonalenia diagnostyki.

Jednak adopcja w zachodniej praktyce klinicznej jest nadal ograniczona przez wymogi regulacyjne i integrację z przepływem pracy. Żadne zatwierdzone przez FDA AI nie jest jeszcze standardem w badaniach przesiewowych jaskry (w przeciwieństwie do retinopatii cukrzycowej, gdzie istnieją systemy AI takie jak IDx). Jednak obiecujące badania terenowe i walidacje recenzowane sugerują szybki postęp. Ponieważ AI w badaniach przesiewowych jaskry ma jasną korzyść dla zdrowia publicznego (wykrywanie choroby przed utratą wzroku), możemy spodziewać się, że niektóre z tych narzędzi będą ubiegać się o zatwierdzenie regulacyjne w ciągu kilku najbliższych lat.

Rozwijające się zastosowania AI: Co dalej

Analityka predykcyjna i spersonalizowana opieka

Następna fala AI w jaskrze skupi się na prognozowaniu i personalizacji. Modele uczenia maszynowego mogą łączyć dane kliniczne, obrazowe i genetyczne, aby prognozować ryzyko utraty wzroku u danej osoby lub przejścia od nadciśnienia ocznego do jaskry (pmc.ncbi.nlm.nih.gov). Na przykład, sieci neuronowe wytrenowane na danych pacjentów rzekomo identyfikują, kto jest najbardziej narażony na progresję. W nadchodzących latach takie systemy mogłyby pomóc lekarzom dostosować agresywność leczenia. Wyobraźmy sobie wynik AI, który waży IOP, grubość rogówki, pochodzenie etniczne, historię rodzinną i inne czynniki, aby obliczyć szacunkowy „czas do ślepoty” – pomagając w priorytetyzacji terapii. Obecnie istnieją duże zbiory danych (z biobanków i szpitali okulistycznych), więc AI może uczyć się skomplikowanych wzorców poza prostymi czynnikami ryzyka.

Monitorowanie jaskry i testy domowe

AI mogłoby również zrewolucjonizować monitorowanie. Rozwijane są noszone czujniki ciśnienia wewnątrzgałkowego (IOP) lub inteligentne soczewki kontaktowe, a AI mogłoby analizować ich ciągłe dane, aby ostrzegać pacjentów o niebezpiecznych skokach. Podobnie, aplikacje do badania pola widzenia na smartfony się poprawiają (na przykład aplikacje, które wyświetlają wykresy perymetryczne na telefonie). W połączeniu z AI, mogłyby stać się domowymi testami jaskrowymi. Pacjenci mogliby pewnego dnia samodzielnie przeprowadzać szybkie badania wzroku w domu, a aplikacja wykorzystująca AI wykrywałaby nowe zmiany i informowała o nich lekarza, zamiast odwiedzać klinikę. Istnieją wczesne prototypy domowych tonometrów i testów wzroku, ale analiza wspomagana AI sprawi, że staną się one użyteczne klinicznie, zapewniając wiarygodność i sygnalizując rzeczywiste pogorszenie.

Planowanie chirurgiczne i przewidywanie wyników

Interwencje chirurgiczne (trabekulektomia, shanty, MIGS) to kolejna granica. AI mogłoby pomóc przewidzieć, którzy pacjenci najlepiej zareagują na jaką operację, analizując tysiące poprzednich przypadków. Na przykład, narzędzie uczenia maszynowego mogłoby nauczyć się, że pacjenci z wzorcem X na obrazowaniu i genetyką Y dobrze reagują na implant drenujący, podczas gdy inni lepiej reagują na trabekuloplastykę laserową. Takie narzędzia wspomagające decyzje są przedmiotem badań w wielu dziedzinach; chirurgia jaskry mogłaby skorzystać w podobny sposób. Dodatkowo, AI mogłoby w przyszłości kierować robotyczną chirurgią oka, choć to jest cel długoterminowy.

Przywracanie wzroku i regeneracja – niewykorzystane możliwości

Jedną z najbardziej ekscytujących granic jest przywracanie wzroku po uszkodzeniach spowodowanych jaskrą. Obecnie nie ma terapii do odrastania nerwów wzrokowych ani zastąpienia utraconych komórek zwojowych siatkówki (RGC). Jednak badacze intensywnie pracują nad neuroprotekcją, terapiami genowymi, przeszczepami komórek macierzystych i protezami. AI dopiero zaczęło wpływać na te obszary, ale możliwości są realne:

• Odkrywanie leków wspomagane przez AI: Uderzającym przykładem jest badanie z 2024 roku, w którym systemy przesiewowe AI zidentyfikowały małe cząsteczki, które chronią RGC w warunkach stresu podobnego do jaskry. Korzystając z dużych modeli językowych i graficznych sieci neuronowych, badacze przewidzieli kandydujące inhibitory RIPK3 (kinazy śmierci komórki). Po testach laboratoryjnych, jeden związek (HG9-91-01) okazał się zachowywać strukturę RGC w modelu ostrej jaskry (pmc.ncbi.nlm.nih.gov). W rzeczywistości wszystkie pięć molekuł zaleconych przez AI w tym badaniu pomogło w przeżyciu RGC w warunkach stresu niedotlenienia, przy czym HG9-91-01 zapewnił najlepszą ochronę. To odkrywanie neuroprotekcyjnych leków wspomagane przez AI pokazuje, jak metody obliczeniowe mogą przyspieszyć przedkliniczny rozwój terapii jaskry (pmc.ncbi.nlm.nih.gov). (Popularnonaukowy raport opisał to jako AI „pomaga w odkrywaniu potencjalnych kandydatów na leki na jaskrę” (medicalxpress.com).)

• Projektowanie protez nerwowych: Dla pacjentów, którzy już stracili wzrok, technologie takie jak implanty siatkówki lub nerwu wzrokowego mogą oferować sposób na odzyskanie części widzenia. Projektowanie takich urządzeń jest niezwykle złożone. Tutaj również AI i modelowanie odgrywają rolę. Na przykład, artykuł z 2024 roku opracował szczegółowy model obliczeniowy nerwu wzrokowego i mózgu wzrokowego w celu oceny protez „stymulacji nerwu wzrokowego”. Zespół wykorzystał obrazy symulowane przez uczenie maszynowe, aby przetestować, jak macierze elektrod na nerwie wzrokowym mogą przywrócić szerokie pole widzenia (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). Ich odkrycia sugerują, że implanty nerwu wzrokowego mogłyby potencjalnie produkować szersze pola widzenia niż obecne protezy siatkówki, a co ważne, dostarczyły ram modelowania do optymalizacji rozmieszczenia elektrod i strategii stymulacji (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov). Ten rodzaj pracy pokazuje, jak narzędzia in silico i przetwarzanie obrazu wspomagane AI mogą kierować następną generacją implantów przywracających wzrok.

• Przyszłe terapie genowe/komórkowe: Podejścia regeneracyjne – takie jak reprogramowanie komórek Müllera w RGC, przeszczepianie RGC lub wykorzystanie edycji genów do ponownej aktywacji wzrostu – są przedmiotem intensywnych badań podstawowych. AI mogłoby ostatecznie przyspieszyć te procesy poprzez analizę dużych zbiorów danych genetycznych i molekularnych. Na przykład, artykuł z 2024 roku w Development przeprowadził ogromny przesiew CRISPR w celu odkrycia genów kontrolujących regenerację RGC【65†】. Metody uczenia maszynowego mogłyby pomóc w wydobyciu tych złożonych wyników w celu priorytetyzacji celów. Ponadto, projektowanie białek wspomagane przez AI (np. AlphaFold lub modele generatywne) mogłoby tworzyć nowatorskie białka terapeutyczne lub konstrukcje genowe do regeneracji. Chociaż takie zastosowania AI nie zostały jeszcze zgłoszone w jaskrze, dziedzina genomiki i terapii komórek macierzystych jest dojrzała dla AI. Narzędzia obliczeniowe mogłyby przewidywać, które kombinacje genów sprzyjają odrastaniu aksonów, lub optymalizować wektory wirusowe dla bezpieczniejszego dostarczania genów.

Obecnie, integracja AI z badaniami nad regeneracją RGC jest ograniczona, ale stanowi wartościową okazję. W miarę postępu terapii regeneracyjnych (nanocząstki, komórki macierzyste, optogenetyka), AI mogłoby pomóc zoptymalizować ich projekt i dostarczanie. Na przykład, symulacje komputerowe mogłyby modelować, jak nowe RGC łączą się z mózgiem, lub jak soczewki kontaktowe uwalniające leki reagują na IOP. Krótko mówiąc, AI mogłoby dostarczać informacji o strategiach naprawy nerwu wzrokowego – celu, który nie został jeszcze osiągnięty klinicznie. Badacze zainteresowani „przywracaniem wzroku” powinni rozważyć współpracę między ekspertami AI a neurobiologami w celu zbadania tych niewykorzystanych możliwości.

Realistyczne ramy czasowe

Ważne jest, aby być realistą. Narzędzia AI do przesiewowego badania i diagnozowania są już dostępne – istnieje kilka wysokowydajnych modeli, które zmierzają do zastosowania klinicznego. Możemy spodziewać się zatwierdzenia przez FDA narzędzia AI do przesiewowego badania jaskry w ciągu kilku najbliższych lat, biorąc pod uwagę udane badania. Aplikacje telemedyczne są również bliskie wdrożenia do praktyki. Jednakże, leki przywracające wzrok (prawdziwa regeneracja nerwów) są prawdopodobnie lata lub dziesięciolecia od rzeczywistości klinicznej. AI przyspieszy naukę, ale terapie takie jak regeneracja RGC napotykają na bariery biologiczne. W międzyczasie, praktyczne korzyści z AI będą pochodzić głównie z wcześniejszego wykrywania i inteligentniejszego zarządzania.

Podsumowanie

AI już dziś poprawia opiekę nad pacjentami z jaskrą, umożliwiając szybsze, tańsze badania przesiewowe i dokładniejszą diagnozę. Liczne badania potwierdzają wysoką dokładność: na przykład, AI na smartfonie do zdjęć dna oka osiągnęło ~94% czułości/86% swoistości (pmc.ncbi.nlm.nih.gov), a platforma telemedyczna osiągnęła ~89,7% ogólnej dokładności (pmc.ncbi.nlm.nih.gov). Narzędzia te mogą segregować pacjentów i zmniejszać liczbę przeoczonych przypadków. Dla pacjentów oznacza to, że wkrótce mogą mieć dostęp do badań jaskrowych poza specjalistycznymi klinikami – nawet na telefonach komórkowych. Wczesne wykrycie wspomagane przez AI może uratować wzrok dzięki szybkiemu leczeniu.

Patrząc w przyszłość, największy wpływ AI może nastąpić tam, gdzie jeszcze nie jest używane. Granica leży w ochronie i przywracaniu wzroku po uszkodzeniu. Odkrywanie leków wspomagane przez AI (jak w przypadku inhibitora RIPK3 lub innych) oraz modelowanie obliczeniowe implantów wskazują drogę. Wysoko wartościowe kierunki badań obejmują łączenie AI z genomiką, obrazowaniem i inżynierią tkankową w celu rozwiązania problemu regeneracji nerwów.

Podsumowując, AI obiecuje znaczące praktyczne korzyści w badaniach przesiewowych i zarządzaniu jaskrą w nadchodzących latach. Dla naukowców, duże możliwości leżą na styku AI z biologią: wykorzystywanie modeli obliczeniowych i danych na dużą skalę do osiągania przełomów w neuroprotekcji i regeneracji. W miarę jak technologia i medycyna się zbiegają, zarówno pacjenci, jak i badacze powinni być na bieżąco. Narzędzia AI oparte na dowodach naukowych nadchodzą i będą uzupełniać – ale nie całkowicie zastępować – tradycyjną opiekę nad pacjentami z jaskrą. Staranna walidacja i przemyślana integracja z praktyką kliniczną zapewnią, że obietnice AI przełożą się na lepsze wyniki i przywrócony wzrok.