Diabetik Retinopatiyi Anlamak: Patofizik ve Global Burden

Diabetik retinopati (DR), gözünün arkasında mikrovasküler bir komplikasyondur ve dünya çapındaki çalışma çağındaki yetişkinler arasında önlenebilir bir körlüğün nedenidir.

Diyabet Retina Hasarları Nasıl

Hiperglycemia, retina kapillary endotelal hücrelerin ve pericytes'in bütünlüğünü bozar, mikroaneurysmların oluşumuna yol açar - küçük çuvallar hemorajların hem de retinal edema işareti. Hastalık ilerledikçe, zayıf denizler sıvısı, lipidler ve kanları çevreleyen retina dokusuna kadar bozulmaya başlar, sert ekstremiteler üretirler, sert ekstremiteler üretirler (ve-ve-blot hemorrhages, ve retinal edema.

Daha gelişmiş aşamalarda (proliferatif diyabetik retinopati veya PDR), retina iskemyası vasküler endotelyal büyüme faktörü (VEGF), retina ve optik diskin yüzeyindeki anormal yeni kan damarlarının büyümesini teşvik eder.Bu neovasküler damarlar kırılgandır ve hemorajiye eğilimlidir, vitreus hemorrhage, traksiyonel retina dekolmanı ve neovasküler glaucoma - tüm bunlar hızla ve kalıcı olarak imkansız.

Problemin Ölçeği

Dünya Sağlık Örgütü'ne göre [[Dönetici:0) Dünya Sağlık Örgütü ([Dönetici: 1 ), diyabetle yaklaşık 537 milyon yetişkin yaşıyor ve üç kişi, erken tespit sırasında bir DR formunu alacak. Sonuç olarak, özellikle düşük ve orta gelirli ülkelerde, tedavinin daha karmaşık olduğu bir aşamaya kadar ihmal edilmemiş göz muayenesinin yıllık olarak daha pahalı hale getirilmesini tavsiye ediyor.

DR Tespitinde Yapay Zekanın Rolü

Yapay zeka - özellikle derin öğrenme - tarama şişeneck'ı ele almak için güçlü bir araç olarak ortaya çıktı. Retina fonus fotoğraflarının analizini otomatikleştirerek, AI sistemleri, rakip ve bazı çalışmalarda hız ile DR özelliklerini tanımlanabilir, insan noterler. Bu sistemlerin arkasındaki temel teknoloji, konfesyonel sinir ağı (CNN), görüntüler gibi ağ mimarisine sahip bir sınıf.

Retina Görüntü Analizi için Derin Öğrenme Mimarileri

Modern AI algılama sistemleri, ResNet, Inception, MobileNet ve VerimliNet gibi CNN sırt kemiği üzerine inşa edilmiştir. Bu mimariler büyük görüntü veri kümeleri üzerinde (örneğin, ImageNet) ve sonra iyi niyetli - bir teknik kullanarak - uzman ophthalmologlar tarafından etiketlenen retina görüntülerinin incelenirler ve normal bir kanallama (normalleştirme, kontrast geliştirme, kontrast geliştirme, resing) içerir.

Daha gelişmiş modeller, patolojik bölgeleri vurgulamak için alt ağların segmentasyonunu içerir, kliniklerin AI'nın nedenlerini görselleştirmelerini sağlar. Bu, klinik ortamlardaki bina güveninin kritik olduğunu açıklamaya yönelik bir adımdır. Bazı sistemler de ağla ilgili en klinik olarak ilgili alanlara odaklanır, performans ve yorumlanabilirliği artırmak.

Eğitim Verileri ve Annotasyon Standartları

Herhangi bir AI algılama sisteminin kalitesi, eğitim verilerinin miktarı ve doğrulanmasına bağlıdır. Çeşitli geniş ölçekli, halka açık veri setleri APTOS 2019 (Asia Pacific Tele-Ophthalmology Society), IDRiD (Indian Diabetic Retinopati Image Dataset) ve Singapur'daki tümleşik Diabetik Retinopati görüntülerinin yaygın olarak kullanıldığı 88.000'den fazla.

Annotasyon protokolleri genellikle Uluslararası Klinik Diabetik Retinopatiyi takip eder (ICDR) ciddiyetle veya daha ayrıntılı Erken Tedavi Diabetik Retinopati Çalışması (ETDRS) ölçeğini takip eder. Her görüntü en az bir ophthalmolog veya sertifikalı okuma merkezi noter tarafından belirlenir ve belirsiz özellikleri olan durumlar genellikle ikinci bir uzman tarafından belirlenir.

Performans Metrikleri ve Gerçek Dünya

DR algılaması için AI modelleri hassaslığı (gerçek pozitif oranı), spesifiklik (gerçek negatif oran), alıcının çalışma karakteristik eğrisi (AUC), ve pozitif tahmin edilebilir değer. Kontrollü laboratuvar koşullarında, önde gelen modeller, katlanabilir DR algılaması ile AUC değerleri ile% 0,9 arasında değerlendirilir, hem de hassaslık hem de spesifikite %90'ı aşıyor. ancak gerçek dünya performansı, görüntü satın alma ekipmanları, hasta popülasyonları ve kataraktlar veya myopic dejenerasyon gibi temelleme koşulları nedeniyle önemli ölçüde değişebilir.

Bir dönüm noktası, doğrulanan bir AI sisteminin birincil bakım tarama ayarında %99 oranında 9.6 ve spesifikitenin duyarlılığını koruduğunu gösterdi. Bu rakamlar DR taramalarında kullanılan otonom AI cihazları için% 82.5% arasında karşılaştırılabilir ve şimdi sürekli olarak birden çok ticari sistem performansına sahiptir.

Klinik Kabul ve Düzenleme Milestones

Araştırma prototipinden onaylanmış tıbbi cihaz geçiş hızlı oldu. 2020'de ilk FDA yetkili AI sistemi olan IDx-DR cihazı (şimdi LumineticsCore), 2018 yılında yapılan tarama programları kapsamında CE işareti aldı.

Klinik İş Akışları ile entegrasyon

Gerçek dünya ortamında bir AI algılama sistemi çalışmak, sadece yazılım yüklemesi için daha fazlasını içerir. AI, mevcut uygulama yönetim sistemleri ile entegre etmeli, elektronik tıbbi kayıtları (EMR), ve arşivleme ve iletişim sistemleri (PACS) İş akışı entegrasyonu genellikle gerektirir: güvenli bir bulut veya on-premises inference server, bir kullanıcı arayüzünü indirmek için, AI bayrakları referans mektupları oluşturmak için bir mekanizmayı oluşturmak için bir dilekçe olarak tasarlanabilir.

Reimbursement, ABD'de Medicare & için Merkezler için kritik bir uygulamadır; Medicaid Hizmetleri (CMS) AI odaklı retina taraması için geri ödeme kodları kurdu, bu da birincil bakım ağlarında hızlandırdı. Özel sigortacılar birçok eyaletteki uygun şekilde ilerliyor. Benzer geri ödeme yolları Avrupa ve Asya'da gelişiyor, ancak mahkemelerde eşitsiz kalmaktadır.

Ekonomik Etki ve Maliyet-Effectiveness

Çeşitli sağlık ekonomik analizleri, AI tabanlı DR taramanın, özellikle yüksek diyabet prevalansı ile popülasyonlarda dağıtılan ve göz uzmanlarına sınırlı erişimin sağlanmasıyla ilgili olarak% 20 ila% 35 arasında uygun şekilde tespit edilen bir DR vakasının, özellikle de yüksek bir diyabet prevaltolojisi ziyaretine ihtiyaçlarını ortadan kaldırıldığı zaman, otomatik olarak verimlilik dahil edildi.

Meydanlar ve Sınırlar

Bu ilerlemelere rağmen, AI tabanlı algılamadan önce birkaç engel evrensel bakım standardı haline gelir.

Veri çeşitliliği ve Algoritma Generalizability

AI modelleri, eğitim verilerinde temsil edilen popülasyonlarda yaygın olarak biliniyor. Çoğu kamuya açık coğrafi bölgeden, özellikle Doğu Asya, Güney Asya veya Kafkas popülasyonları arasında çeşitli eğitim verileri toplamak için kasıtlı olarak daha yaygın hale gelir.

İlişki ve Klinik Güven

Birçok pratik ophthalmologlar ve optolojistler, "kara kutu" AI kararlarının şüpheci kalması olarak kalabilirler.Bir model son derece doğru olduğunda, klinikler, temel özellikleri olmadan tavsiyelerde bulunmaya isteksiz olabilirler ve bazı araştırmacılar, doğrulanabilir AI'yı açıklayabilirler - ayrıca güvenlendirici haritaları, sınıf aktivasyon haritaları ve konsept atama yöntemleri de dahil olmak üzere - şeffaflık modellemeyi amaçlamaktadır.

Medicolegal and Düzenlemey Kompleksi

Özerk AI tanısı için medikolegal manzara hala gelişmektedir. Sorumluluk hakkında sorular - bir AI, önceden belirlenmiş değişiklikler için önerilen çerçeveyi kaçırıyorsa (PCCPs) bu meydan okumayı yönetmek için bir yaklaşımdır, ancak yine de AI performansını izlemek için pratik değildir.

Future Yol Tarifi

Diyabetik retinopati için bir sonraki AI sistemleri muhtemelen basit görüntü sınıflandırmasının ötesine uzatacaktır.

Multimodal ve Tahmin Edici AI

Diğer veri kaynakları ile fonus fotoğrafını birleştirmek - optik koherens tomografi (OCT), sistemsel metabolik veriler (HbA1c, kan basıncı, lipid profili), ve genomik işaretler - üç yıl içinde PDR'ye daha sık sık sık sık sık sık sık sık sık ilerleme sağlayabilir.

Portre ve Akıllı Ekran

Donanım yenilikleri, düşük kaynak sistemlerinde daha erişilebilir olan AI destekli tarama yapıyor. Akıllı telefonlara dayalı fonus kameraları (Remidio NM FOP, Volk iNview veya özel tasarlanmış lens ekleri) şimdi, yapay analiz için yeterli kalitede görüntülerini yakalayabiliyor. Birkaç çalışma, bu portatif sistemlerle bir araya getiren, bulut tabanlı veya kenar tabanlı AI inferans gibi, masa üstü fonus kameralarıyla karşılaştırılabilir.Bu devrime göre taramayı kırsal sağlık mesajları, okul sağlığı programları ve mobil klinikleri yakalayabilir.

Önleyici AI ve Erken Müdahale

AI sistemleri ayrıca subclinical değişiklikleri tespit etme yeteneği için de araştırılıyor - henüz insan gözüne göre görülmeyen retina hasarının belirtileri. Convolutional sinir ağları, yaşam tarzı değişiklikleri veya sistemik tedavilerin en etkili olduğu bir şekilde ilerlemeyi engelleyebilir, bu da hastalığın tespit edilmesinden önce bir paradigmayı temsil edebilir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Yapay zeka kullanan diyabetik retinopatinin otomatik tespiti, klinik olarak dağıtılan bir gerçeklik için bir araştırma merakından taşındı. Derin öğrenme modelleri şimdi uzman insan notları ile par üzerinde doğruluk sağlar ve ABD'deki yasal onaylar, ve Asya, yaygın kabul için yol açtı.

En başarılı gelecek senaryolar muhtemelen AI'yı bir işbirlikçi olarak içerecektir, bir yedek değil - göz bakımı profesyonellerinin kapasitelerini artırmak ve uzmanlıklarına en çok ihtiyaç duyan hastalara odaklanmalarını sağlayacaktır.Libatif görüntüleme cihazları ile birlikte, multimodal veriler füzyon ve tahmin edici analizler, AI dünya çapında diyabetle ilgili körlüğü dramatik bir şekilde azaltmak için potansiyele sahiptir.