Forskare från University College London och Moorfields Eye Hospital har utvecklat en AI-modell som kan upptäcka en patients risk för en rad olika sjukdomar genom att analysera en bild av näthinnan.
Det är inte första gången som AI har använts för att analysera näthinneskanningarmen det tillvägagångssätt som forskarna använde med sin RETFound-modell kommer att påskynda utvecklingen inom detta medicinska område.
Standardmodeller för maskininlärning tränas vanligtvis på en stor uppsättning kuraterade data. Om du vill att din modell ska kunna identifiera näthinnan hos en person som riskerar att drabbas av en viss sjukdom måste du träna den på en stor mängd representativa bilder.
Att förbereda medicinsk bilddata för maskininlärning är mycket dyrt och tar lång tid. Till skillnad från den grundläggande typen av Datamärkning utlokaliserad till lågkostnadsländermåste medicinska bilder analyseras och märkas av en specialistläkare.
Forskarna som skapade RETFound valde ett annat tillvägagångssätt och tränade sin modell med hjälp av SSL (self-supervised learning).
Istället för att använda kuraterade och märkta bilder tränade de modellen på 1,6 miljoner omärkta näthinnebilder.
En grundmodell för generaliserbar sjukdomsdetektering från näthinnebilder - Nature https://t.co/M2g0L4MMl4
- natur (@Natur) 13 september 2023
Pearse Keane, en ögonläkare som var en del av projektet"Under loppet av miljontals bilder lär sig modellen på något sätt hur en näthinna ser ut och vilka egenskaper den har."
När modellen hade fått en bra baslinje för hur en normal näthinna ser ut kunde den finjusteras med ytterligare träning.
Forskarna behövde sedan bara träna modellen på ytterligare 100 bilder av näthinnor från personer som hade en specifik sjukdom och 100 bilder av näthinnor från personer som inte hade det.
Resultaten var imponerande och RETFound kunde upptäcka ögonsjukdomar som diabetesretinopati med en extremt hög grad av säkerhet.
Modellens förmåga att förutsäga sjukdomar som Parkinsons, ischemisk stroke, hjärtinfarkt och hjärtsvikt var begränsad men ändå bättre än andra modeller.
Modellen har gjorts allmänt tillgänglig och kommer att spara andra forskare mycket tid när de ska utveckla modeller som är tränade för att upptäcka specifika sjukdomar.
I forskningsrapporten konstateras att användningen av RETFound som grundmodell "potentiellt kan spara cirka 80% av den utbildningstid som krävs för att uppnå konvergens för uppgiften att förutsäga hjärtinfarkt".
Att tillämpa AI på näthinneskanningar är ett spännande forskningsområde. Näthinnan är ett fönster in till din hälsa. Det är den enda delen av människokroppen där kapillärnätverket är synligt.
"Om du har en systemisk kardiovaskulär sjukdom, som högt blodtryck, som påverkar potentiellt alla blodkärl i kroppen, kan vi direkt visualisera det i näthinnebilder", säger Keane.
Föreställ dig vilken inverkan en välutbildad modell som RETFound skulle kunna ha på tidig diagnos av sjukdomar i fattiga länder där det inte finns tillräckligt med läkare.
Man kan låta hundratals personer genomgå en näthinneskanning som utförs av en sjuksköterska och sedan låta AI bearbeta bilderna på en molnplattform som AWS. Riskpatienter skulle kunna identifieras och sedan undersökas av en läkare, i stället för att försöka undersöka alla besökare på en klinik på landsbygden.
Även i sitt nuvarande tidiga utvecklingsstadium kan denna typ av AI rädda liv idag, inte bara i en avlägsen framtid.
