Prematuritetsretinopati (ROP), en allvarlig ögonsjukdom som drabbar för tidigt födda barn, är en viktig orsak till synnedsättning och blindhet.
Tidig behandling kan mildra de värsta effekterna av ROP, men bristen på ögonläkare för barn, särskilt i låg- och medelinkomstländer, är ett stort hinder.
I en studie publicerad i The Lancetutvecklade forskarna en kodfri AI-modell för att diagnostisera ROP från näthinnebilder.
De tror att modellen kommer att hjälpa ögonläkare att diagnostisera tillståndet var som helst i världen, eftersom den körs på Google Cloud och kräver minimal teknisk expertis för att fungera.
Om prematuritetsretinopati (ROP)
ROP är en onormal tillväxt av blodkärl i näthinnan som vanligen ses hos spädbarn som föds före den 31:a graviditetsveckan eller med en kroppsvikt på under 3 pund.
Lindrig ROP kan försvinna av sig själv, men svåra fall kan leda till näthinneavlossning, synnedsättning och blindhet.
Flera egenskaper hos näthinnan används för att diagnostisera ROP, bland annat plus disease, som definieras som onormalt slingrande blodkärl i näthinnan. "Förekomsten av plus disease anses vara en markör för retinopati som kräver behandling", förklarar forskarna i studien. Rutinmässig screening hos barnögonläkare kan bidra till att förhindra att ROP utvecklas.
Tidigare studier har redan visat att AI-modeller kan ställa en korrekt diagnos på svår ROP baserat på analys av näthinnebilder. De flesta av dessa modeller kräver dock teknisk expertis och betydande hårdvaruresurser, vilket är en bristvara i vissa medicinska miljöer.
En tillgänglig kodfri AI-modell löser dessa utmaningar och ger ögonläkare tillgång till banbrytande näthinnediagnostik var som helst med en internetanslutning.
AI:s roll
I studien jämförs en kodfri AI-modell som bygger på Google Cloud AutoML Vision Application Programming Interface (API) med en skräddarsydd modell som byggts från grunden.
"Den kodfria AI-applikationen utvecklades med hjälp av bilder från nyfödda från olika etniska och socioekonomiska bakgrunder på ett sjukhus i Storbritannien", beskriver forskarna.
Eftersom den körs på Google Cloud AutoML kräver modellen minimal teknisk expertis och ingen hårdvara förutom en internetanslutning - du matar helt enkelt in dina näthinnebilder i den förtränade modellen.
Studien visade att den kodfria Google Cloud AutoML-modellen presterade på samma sätt som den skräddarsydda modellen, med liknande noggrannhet som erfarna ögonläkare när det gällde att upptäcka plussjukdom.
En av författarna, Dr. Konstantinos Balaskas, är docent vid University College London, sa"Eftersom sjukdomen går att upptäcka och behandla borde inget barn bli blint på grund av för tidig retinopati. Vi hoppas att vår teknik för att automatisera diagnostiken av prematuritetsretinopati kommer att förbättra tillgången till vård i underförsörjda områden och förhindra blindhet hos tusentals nyfödda över hela världen."
Dr Deepak Bhatt, MPH, chef för Mount Sinai Heart i New York, berömde studien och sa: "Det här är en smart studie som visar en potentiellt mycket användbar tillämpning av artificiell intelligens. Författarna visade att deras AI-program presterade lika bra som erfarna ögonläkare när det gällde att identifiera en ledande orsak till blindhet hos barn genom att undersöka näthinnebilder."
Bhatt betonade AI:s potential inom hälso- och sjukvården: "Maskininlärning och AI har lämnat science fiction till förmån för möjlig användning i klinisk praxis. Den här studien är ett bra exempel på det. Det behövs fler studier av det här slaget i olika populationer."
Kodfria molnbaserade modeller är tillgängliga för alla med en internetanslutning.
Det finns inga krav på hårdvara och modellen är förtränad, så du behöver bara en input (i det här fallet näthinnebilder).
Forskarna medger att modellen främst testades med hjälp av bilder tagna med Retcam, en särskild typ av näthinnekamera som tenderar att vara dyr.
Med lite arbete kan den dock utvidgas till andra näthinnebilder, vilket skulle hjälpa vårdgivare att få tillgång till toppmodern näthinnediagnostik från var som helst i världen.
