שילוב AI עם oculomics מראה הבטחה בחיזוי סוכרת, כאשר המחקר חושף כי מערכי נתונים מגוונים יכולים לסייע בפיתוח מודלים מדויקים ואמינים יותר להערכת רמות HbA1c, ולשפר את הטיפול בחולים במסגרות קליניות.
לִלמוֹד: פיתוח של בינה מלאכותית של oculomics לגורמי סיכון קרדיווסקולריים: מחקר מקרה ב-fundus oculomics להערכת HbA1c ושיקולים קליניים רלוונטיים לרופאים. קרדיט תמונה: Stas Ponomarencko / Shutterstock.com
Oculomics היא טכנולוגיה חדשה וחזקה יחסית המשלבת תכונות עיניים כדי לזהות סמנים ביולוגיים שניתן להשתמש בהם כדי לחזות מחלות מערכתיות. מחקר פיילוט של Journal of Ophthalmology של אסיה-פסיפיק לאחרונה חוקר את היתרונות הפוטנציאליים של שילוב בינה מלאכותית (AI) עם oculomics.
שימוש ב-oculomics להערכת HbA1c
מטרת המחקר הנוכחי הייתה ליישם oculomics על תמונות פונדוס כדי להעריך רמות המוגלובין A1c מסוכרר (HbA1c).
האחוז של HbA1c משמש בדרך כלל לאבחון ולמעקב אחר התקדמות הסוכרת. למרות השימוש הנרחב בו, מדידות HbA1c עלולות להיות לא מדויקות במקרים מסוימים, כגון בחולים עם מחלות נלוות כמו אנמיה חרמשית, אלה שקיבלו לאחרונה עירוי דם או חולים בהריון.
במחקר הנוכחי התקבלו בסך הכל 6,118 תמונות פונדוס, 1,138 מהן אובחנו כתקינות. בתחילה השוו החוקרים את הביצועים של מודל מונוליטי לארכיטקטורת אנסמבל ואת המהימנות וההטיה שלו מהשפעות הגיל והמין.
מודל VGG19, המבוסס על רשתות עצביות קונבולוציוניות (CNN), הציג את הביצועים הטובים ביותר בכל המדדים. בהשוואה לדגם הבודד, דגם האנסמבל הראה שיפור ביצועים של כ-2%.
כדי שהמודל יהיה אמין, יש לשקול היטב את גודלו בהשוואה לגודל מערך הנתונים. במחקר הנוכחי, מודל VGG19 עלה על מודלים גדולים יותר אחרים, מה שעשוי לנבוע מגודל הנתונים, שכן מודלים מורכבים ונרחבים יותר דורשים כמויות גדולות יותר של נתונים כדי להעריך במדויק פרמטרים.
זה גם חיוני להעריך את המהימנות לאורך מימדים אחרים מלבד ביצועים במערך בדיקות בודד, שכן יישומים קריטיים לבטיחות של AI יכולים להשפיע באופן משמעותי על בריאות ובטיחות המטופלים.
ההשפעות של גיל ומגדר על ביצועי המודל
דיוק גבוה יותר נצפה במודל שהוכשר על דגימות שהתקבלו מבני נוער ומבוגרים כאחד, בהשוואה לאלו שבהם מערך האימונים כלל קבוצה אחת. תוך כדי פיתוח פתרונות בינה מלאכותית, היכולת של מודל להציג ביצועים חזקים ואמינים על פני אוכלוסייה מגוונת חיונית למזעור הטיות.
הביצועים היו הטובים ביותר כאשר מערך האימונים כלל את שני המינים. למעשה, נצפתה ירידה של 5% כאשר המודל אומן על זכרים או נקבות בלבד. מודל נוסף הוכשר להפיק מגדר מתמונות קרקעית הקרקע.
המודל היה קשור לדיוק כולל של 87%; עם זאת, ניתן לייחס ביצועים יוצאי דופן זה להטיה פוטנציאלית במערך האימון. Grad-CAM, טכניקת בינה מלאכותית ידועה הניתנת לפירוש, שימשה לזיהוי תכונות מפתח של תמונות קרקעית הקרקע המספקות תובנות חשובות עבור תוויות סיווג שונות. תוצאות אלו השלימו את אלו שהופקו במחקרים קודמים והדגישו את הצורך במערך נתונים מגוון כדי לספק ביצועים אמינים ואיתן.
אתגרים בפיתוח AI מהימן באוקולומיקה
ממצאי המחקר מאשרים את החשיבות של מערכי נתונים איכותיים ומגוונים להכשרת מודלים, אשר בסופו של דבר ישפרו את הביצועים החזקים והאמינים שלהם בתנאים שונים. תפוקות המודל צריכות להיות גם שקופות כדי להבטיח שספקי שירותי בריאות יכולים להבין ולסמוך על התחזיות שלהם. הבטחת הוגנות והתייחסות להטיה בתחזיות המודל היא גם חשובה ביותר.
העתיד של AI ב-oculomics
יכולת הסתגלות לסביבות קליניות מגוונות ועמידה בהנחיות הרגולטוריות היא בסיסית כדי להבטיח את הפריסה האמינה של AI ב-oculomics. שמירה על שקיפות תומכת גם בפיתוח של מודלים של בינה מלאכותית הניתנים להסבר וניתנים לפירוש שבהם רופאים יכולים להבין בקלות את ההיגיון של התחזיות שלהם.
מודלים של AI עשויים לחוות ירידה בביצועים עקב תשומות מחוץ להפצה (OOD) או תרחישים קליניים בלתי צפויים במהלך הפריסה. עם זאת, שילוב של מסגרות למידה מתמשכת יכול להפחית את הנושא הזה.
אלגוריתמים לזיהוי אנומליות עשויים לשמש גם כאמצעי הגנה; לכן, יש לעדכן מודלים מעת לעת כדי להציג נתונים חדשים ומגוונים. למאמצים אלה יש פוטנציאל לקיים את הדיוק והרלוונטיות של יישומי AI בסביבות קליניות.
בעתיד, יש לפתח מערכות בינה מלאכותית לאקולומיקה כדי לשפר את שירותי הבריאות הממוקדים באדם על ידי פישוט זרימות העבודה של רופאים, שיפור תוצאות בריאות המטופל והעלאת איכות הטיפול הניתן. לשם כך, יש צורך בשיתוף פעולה מתמשך בין בעלי עניין שונים לאורך שלבי הפיתוח והיישום כדי למצות את מלוא הפוטנציאל של בינה מלאכותית בשינוי אספקת שירותי הבריאות.