השכיחות הגוברת של קוצר ראייה היא דאגה בריאותית עולמית, כאשר קוצר ראייה גבוה מגדיל את הסיכון לפגיעה בראייה. זה מחייב שימוש בבינה מלאכותית (AI) לאבחון מוקדם, מניעה וניהול של קוצר ראייה. עכשיו, א חקירת ילדים הסקירה שופכת אור על יישומים פוטנציאליים של AI בזיהוי מוקדם, הערכת סיכונים ומניעת קוצר ראייה. זה מדגיש עוד יותר את האתגרים ואת מצב הפיתוח הנוכחי של טכנולוגיית AI בתחום קוצר ראייה.
קוצר ראייה, או קלות ראייה, משפיע על שני מיליארד אנשים ברחבי העולם. קוצר ראייה לא מתוקן יכול לפגוע בחזון, לשבש חינוך, סיכויי קריירה ואיכות חיים. עד שנת 2050 מעריכים שכמעט מחצית מהאוכלוסייה הגלובלית הופכת לקופיה. קוצר ראייה גבוה קשור לרוב לסיבוכים שיכולים להוביל ללקות בראייה, להשפיע על איכות חייהם של המטופלים ולהגדיל את הנטל הרפואי והכלכלי העולמי. לפיכך, אבחנה מוקדמת של קוצר ראייה חשובה למניעת נזק לראייה בקרב חולים עם קוצר ראייה.
בינה מלאכותית (AI) פתחה גבולות חדשים בתחום הרפואי ועשויה להוות פיתרון לדאגה הבריאותית העולמית הזו. קבוצות המשנה של AI, כגון למידת מכונות (ML) ולמידה עמוקה (DL) יכולות לעזור בניתוח נתונים לאבחון מחלות ולחזות גורמי סיכון, סמנים ביולוגיים ותוצאות.
בסקירת ספרות חדשה, ד"ר לי לי, ד"ר ג'יפנג יו, וד"ר נן ליו, כולם מהמחלקה לרפואת עיניים, האוניברסיטה הרפואית קפיטל, סין, סיכמו את היישומים והאתגרים של AI בקוצר ראייה, כולל גילוי, הערכת גורמי סיכון ומודלים לחיזוי. מחקר זה פורסם בכתב העת של כתב העת של חקירת ילדים ב- 18 במרץ 2025.
מעניין לציין כי ניתן להכשיר דגמי AI באמצעות ML/DL לאיתור קוצר ראייה מתמונות פונדוס ותמונות טומוגרפיה של קוהרנטיות אופטית. על ידי הזנת מודל עם כמות גדולה של תמונות פונדוס מחולים קוצר ראייה, ניתן ללמד את ה- AI להבחין בשינויים דקים בצבע ובדפוס ברשתית הקשורים לקוצר ראייה. זה מאפשר למודל לאבחן חולים עתידיים מתמונות הפונדוס שלהם.
בנוסף, ציוד ניטור עצמי כמו SVONE, מכשיר כף יד המשתמש בחיישן חזית גל למדידת מומים בעיניים, יכול להשתמש באלגוריתמים של AI כדי לאתר שגיאות שבירה בעיניים. המכשיר יכול לגשת למסד נתונים מקוון של תמונות, בו ה- AI יכול להשתמש בהתייחסות לאבחון קוצר ראייה. יתר על כן, ניתן לאמן AI לאיתור שינויים התנהגותיים הקשורים להופעת קוצר ראייה. גילוי כזה שימושי במיוחד לגילוי מוקדם של קוצר ראייה אצל ילדים, שלעתים קרובות מתעלמים ממנו אחרת. לדוגמה, מוניטור Vivior משתמש באלגוריתמים של ML כדי לציין שינויים בהתנהגויות חזותיות, כמו זמן שהוקדש בפעילויות חזון כמעט, בילדים בגילאי 6-16 שנים.
יתר על כן, ניתן להשתמש בשיטות ML כמו מכונת וקטור תמיכה, רגרסיה לוגיסטית ו- XGBOOST כדי לזהות גורמי סיכון של קוצר ראייה. "ניתן להאכיל מודל מבוסס XGBOOST כמויות גדולות של נתונים אורכיים, מה שמאפשר לו ללמוד את התוצאות ואת גורמי הסיכון הנלווים של קוצר ראייה בקרב חולים רבים. זה, בתורו, מאפשר למודל להעריך את גורמי הסיכון של חולים חדשים על סמך הגנטיקה שלהם, היסטוריה משפחתית, סביבה ופרמטרים פיזיולוגיים," מסביר ד"ר לי לי.
חיזוי ההתקדמות והתוצאה של קוצר ראייה יכול לעזור לרופאים להתאים את גישתם הקלינית. הוא נלקח בקנה מידה גדול, אך הוא יכול לעצב תרגול קליני וקביעת מדיניות המסייעים בשליטת קוצר ראייה. על ידי הזנת מודל AI כמויות גדולות של נתונים ביומטריים, נתוני שבירה, תגובות טיפול ותמונות עיניים של מספר חולי קוצר ראייה, ניתן ללמד את ה- AI לחזות תוצאות של קוצר ראייה בקרב חולים חדשים.
למרות הפוטנציאל הגדול של AI בקוצר ראייה, יש להתגבר על כמה אתגרים. ראשית, חשוב להבטיח כי מערך הנתונים המשמש לאימון מודל AI יהיה נכון ובאיכות גבוהה. הטיה, שליליות/חיוביות שווא ואיכות נתונים ירודה יכולים להשפיע לרעה על דיוק האבחון והחיזוי של המודל. שנית, מרבית דגמי ה- AI מאומנים באמצעות נתונים מבתי חולים גדולים, שאולי אינם מייצגים חולים שהולכים למרפאות קטנות יותר. זה יוצר אי התאמה בין אוכלוסיות אימונים בעולם האמיתי. שלישית, מודל AI אינו רופא מיומן ואולי אינו מסוגל לספק בסיס קליני לאבחוןו, מה שעלול לגרום לדחיית האבחנה על ידי אנשי מקצוע רפואיים. לבסוף, עם כמויות אדירות כאלה של נתוני חולים המשמשים לאימון מודלים של AI, חשוב להבטיח את פרטיות הרשומות הרפואיות של המטופלים.
"בעוד המחקר שלנו מדגיש את המדהים התקדמות ביישום הקליני של AI בקוצר ראייה, יש צורך במחקרים נוספים כדי להתגבר על האתגרים הטכנולוגיים. עַל יְדֵי בניית מערכי נתונים באיכות גבוהה, שיפור יכולת היכולת של המודל לעבד נתוני תמונה רב-מודאלית ושיפור יכולת האינטראקציה בין מחשבים אנושיים, ניתן לשפר עוד יותר את דגמי ה- AI ליישום קליני נרחב,"מסכם ד"ר ג'יפנג יו.
