آب مروارید اصطلاحی کلی برای کدر شدن بخشی یا تمام عدسی چشم است. تخمین زده میشود که حدود ۵۲.۶ میلیون نفر در جهان دچار اختلال بینایی متوسط تا شدید ناشی از آب مروارید هستند و این بیماری علت اصلی نابینایی قابل درمان محسوب میشود. جراحی آب مروارید یکی از مقرونبهصرفهترین مداخلات پزشکی است، اما در کشورهای با درآمد کم و متوسط، منابع محدود و زمان انتظار طولانی موانعی برای درمان ایجاد میکنند.
در سالهای اخیر، فناوریهای دیجیتال بهویژه هوش مصنوعی (AI) در مراحل مختلف مراقبت از آب مروارید به کار گرفته شدهاند. حوزههای کاربرد فناوری AI عمدتاً به سه دسته زیر تقسیم میشوند:
با افزایش سن، تقاضا برای جراحی آب مروارید افزایش مییابد، در حالی که عرضه مراقبتهای چشم پزشکی با آن هماهنگ نیست. فناوری هوش مصنوعی به عنوان راهی برای پر کردن این شکاف عرضه و تقاضا مورد توجه قرار گرفته است.
با افزایش جمعیت سالمندان، تقاضا برای جراحی آب مروارید به سرعت در حال افزایش است، در حالی که عرضه مراقبتهای چشم پزشکی به اندازه کافی گسترش نیافته است. به ویژه در کشورهای با درآمد کم و متوسط و مناطق روستایی، آب مروارید تشخیص داده نشده زیادی وجود دارد و استفاده از هوش مصنوعی برای تشخیص از راه دور و غربالگری میتواند شکاف دسترسی به مراقبتهای پزشکی را کاهش دهد.
آب مروارید عمدتاً ناشی از افزایش سن است و شیوع آن شامل کدورتهای اولیه حدود ۴۵٪ در دهه ۵۰ سالگی، ۷۵٪ در دهه ۶۰، ۸۵٪ در دهه ۷۰ و ۱۰۰٪ در افراد بالای ۸۰ سال میرسد. انواع اصلی کدورت شامل سه نوع قشری، هستهای و زیرکپسولی خلفی است و در ژاپنیها آب مروارید قشری شایعترین است.
برای طبقهبندی شدت آبمروارید از LOCS III (سیستم طبقهبندی کدورت عدسی III)، طبقهبندی WHO و طبقهبندی Emery-Little استفاده میشود. طبقهبندی Emery-Little رنگ هسته را در پنج درجه ارزیابی میکند و به طور گسترده برای تخمین دشواری جراحی به کار میرود.
در مراحل اولیه آبمروارید اغلب هیچ علامت ذهنی وجود ندارد. با پیشرفت بیماری، علائم زیر ظاهر میشوند.
هیچ درمان دارویی برای شفافسازی آب مروارید وجود ندارد. در مواردی که عملکرد بینایی کاهش یافته است، جراحی فیکوامولسیفیکاسیون (PEA) و کاشت لنز داخل چشمی (IOL) درمان استاندارد است. با پیشرفت تجهیزات جراحی، امکان جراحی از طریق برشهای کوچک حدود ۲ میلیمتر فراهم شده و بازگشت زودهنگام به جامعه انتظار میرود. در سالهای اخیر، جراحی آب مروارید با استفاده از لیزر فمتوثانیه نیز در عمل بالینی استفاده میشود.
در حال حاضر، آب مروارید توسط چشمپزشک با استفاده از میکروسکوپ لامپ شکافی به صورت بالینی تشخیص داده میشود و معاینه حضوری ضروری است. با این حال، در کشورهای در حال توسعه یا مناطق روستایی به دلیل دسترسی دشوار، آب مروارید تشخیصدادهنشده یک مشکل بزرگ است.
پلتفرمهای تشخیص از راه دور با پشتیبانی هوش مصنوعی میتوانند این موانع دسترسی را کاهش دهند. بهویژه در آب مروارید کودکان، تشخیص سریع برای جلوگیری از تنبلی چشم غیرقابل برگشت بسیار حیاتی است.
بر پایه عکسهای لامپ شکاف
مدل Wu و همکاران: آموزش با حدود ۳۸۰۰۰ عکس لامپ شکاف از چشمها. به حساسیت و ویژگی بیش از ۹۵٪ در تشخیص آب مروارید و طبقهبندی شدت دست یافت. همچنین در تعیین سه درجه سختی هسته، حساسیت و ویژگی حدود ۸۰٪ گزارش شد.
Li و همکاران (Visionome): تشخیص بیماریهای بخش قدامی چشم از جمله آب مروارید از روی عکسهای لامپ شکاف. دقت ۷۹٫۴۷ تا ۹۹٫۲۲٪ که عملکردی بهتر از چشمپزشکان با یک سال تجربه بالینی نشان داد.
مبتنی بر عکس فوندوس
مدل Xu و همکاران: الگوریتم ensemble CNN (AlexNet + VisualDN) با ورودی عکس فوندوس. دقت ۸۶٫۲٪ در تشخیص و طبقهبندی آب مروارید.
مدل مبتنی بر ResNet (Wu و همکاران): شناسایی سه مرحلهای عدسی آب مروارید، چشم با لنز داخل چشمی و چشم سالم با AUC بیش از ۰٫۹۹.
وو و همکاران مدلی سه مرحلهای شامل (1) خودپایشی با تلفن هوشمند، (2) تشخیص با هوش مصنوعی از روی عکسهای بخش قدامی چشم، و (3) مشاوره از راه دور توسط متخصص چشم از طریق پلتفرم ابری ارائه کردهاند. این مکانیسم میتواند جمعیت تحت پوشش هر چشمپزشک را تا ۱۰ برابر افزایش دهد. تشخیص با هوش مصنوعی در چشمپزشکی از سال ۲۰۱۶ با انتشار مقاله غربالگری رتینوپاتی دیابتی آغاز شد و ابتدا در بیماریهای شبکیه و گلوکوم با استفاده از عکسهای فوندوس و OCT بخش خلفی پیشرفت کرد، اما اخیراً کاربرد آن در عکسهای لامپ اسلیت بخش قدامی نیز در حال گسترش است.
اگرچه در مرحله تحقیقاتی است، سیستمی پیشنهاد شده است که در آن هوش مصنوعی تصاویر بخش قدامی چشم گرفته شده با گوشی هوشمند را تحلیل کرده و وجود یا شدت آب مروارید را تعیین میکند. برای کاربرد بالینی نیاز به اعتبارسنجی بیشتر است، اما ممکن است برای غربالگری در مناطق دورافتاده مفید باشد.
در جراحی آب مروارید، نتایج دقیق انکساری پس از عمل مورد نیاز است. فرمولهای سنتی محاسبه لنز داخل چشمی در چشمهای پس از جراحی انکساری یا بیماران با اندازههای بیومتریک غیرعادی دقت پیشبینی کافی نداشتند. نسل جدید فرمولهای مبتنی بر هوش مصنوعی به این چالش میپردازد.
| فرمول | ویژگی | توضیحات |
|---|---|---|
| فرمول Kane | تئوری + تحلیل رگرسیون هوش مصنوعی | عملکرد مداوم در سه رتبه برتر در کارآزماییهای مقایسهای |
| Hill-RBF | تشخیص الگو مبتنی بر شبکه عصبی مصنوعی | تحلیل مجموعه دادههای بزرگ شکست انکساری |
| PEARL-DGS | خطیسازی خروجی ML+ | تنظیم برای اندازهگیریهای بیومتریک شدید |
فرمول Kane ترکیبی از مدل مبتنی بر تئوری با تحلیل رگرسیون و مؤلفههای هوش مصنوعی است. در آزمایشهای مقایسهای، از فرمولهای نسل سوم مانند Barrett Universal II، Haigis و Olsen بهتر عمل کرده و به طور مداوم در بین فرمولهای نسل جدید در رتبه سه برتر قرار دارد. حتی در موارد شدید طول محوری چشم نیز نتایج معقولی نشان میدهد.
Hill-RBF (تابع پایه شعاعی) یک ماشین حساب لنز داخل چشمی مبتنی بر شبکه عصبی مصنوعی است که مجموعه دادههای عظیم نتایج انکساری را با تشخیص الگو و درونیابی دادهها تحلیل میکند.
فرمول PEARL-DGS از مدلسازی یادگیری ماشین و خطیسازی خروجی برای پیشبینی موقعیت مؤثر لنز و تنظیم برای مقادیر بیومتریک شدید استفاده میکند.
Karmona یک رویکرد دادهمحور برای محاسبه قدرت لنز داخل چشمی است که از چندین مدل یادگیری ماشین مانند K-نزدیکترین همسایه، ANN، SVM و جنگل تصادفی برای پیشبینی قدرت استفاده میکند.
فرمولهای سنتی محاسبه لنز داخل چشمی بر اساس مدلهای نظری خاصی هستند و ممکن است در چشمهای پس از جراحی انکساری یا با طول محوری بسیار بلند یا کوتاه، خطای زیادی داشته باشند. فرمولهای مبتنی بر هوش مصنوعی با یادگیری الگوها از دادههای بزرگ، دقت پیشبینی بالایی را حتی در موارد خاص حفظ میکنند.
هوش مصنوعی همچنین در آموزش جراحی آب مروارید، تصمیمگیری حین عمل و تحلیل پس از عمل کاربرد دارد.
جراحی آب مروارید از چندین فاز (کپسولوتومی قدامی، پردازش هسته عدسی، آسپیراسیون کورتکس، و کاشت لنز داخل چشمی) تشکیل شده است. با استفاده از تحلیل خودکار ویدیوی جراحی به کمک هوش مصنوعی، شناسایی هر فاز امکانپذیر میشود.
شناسایی خودکار فازها، پایهای برای ارزیابی مهارت جراحی بر اساس فاز و بازخورد بلادرنگ فراهم میکند.
لانزا و همکاران ۱٬۲۲۹ عمل جراحی آب مروارید شامل ۷۳ خطا را تحلیل کردند و یک مدل هوش مصنوعی برای تشخیص عوامل خطر عوارض حین عمل و پیشبینی کل زمان جراحی ساختند.
Eyesi (شرکت Haag-Streit) یک سیستم آموزشی مبتنی بر شبیهسازی چشمی تجاری است که با همکاری واقعیت مجازی (VR) و هوش مصنوعی، آموزش هوشمندی ارائه میدهد. این سیستم محیطی را فراهم میکند که یادگیرندگان پیش از مواجهه با بیماران واقعی، مهارتهای عملی را کسب کنند.
اگر معرفی بالینی هوش مصنوعی در مراقبت از آب مروارید موفقیتآمیز باشد، مزایای بلندمدتی مانند بهبود کارایی پزشکی، افزایش دسترسی و کاهش هزینهها انتظار میرود. بهویژه، این مزایا برای افراد کمدرآمد قابل توجه خواهد بود.
با این حال، برای عملیسازی، چالشهای زیر وجود دارد.
تاکنون تنها تعداد محدودی از الگوریتمها قابلیت اطمینان خود را در محیط بالینی اثبات کردهاند. برای اثبات کارایی سیستمهای هوش مصنوعی، انجام کارآزماییهای تصادفی کنترلشده بیشتری ضروری است.
اگرچه دقت بالایی در سطح تحقیقات گزارش شده است، اما برای ورود کامل به محیط بالینی هنوز چالشهایی وجود دارد. تأیید کاربردپذیری در جمعیتهای مختلف، اثربخشی از طریق کارآزماییهای بالینی بزرگ، و ایجاد مدیریت اخلاقی دادهها ضروری است و در حال حاضر استفاده به عنوان ابزاری کمکی برای تشخیص چشمپزشکان واقعبینانهتر است.
