حال و آیندهٔ تشخیص با هوش مصنوعی در چشم‌پزشکی (AI Diagnosis in Ophthalmology)

نکات کلیدی در یک نگاه

چشم‌پزشکی یکی از حوزه‌های پزشکی است که کاربرد هوش مصنوعی در آن بیشترین پیشرفت را داشته است، و داده‌های تصویری استاندارد مانند عکس‌های ته‌چشم و OCT برای یادگیری هوش مصنوعی مناسب هستند.
در سال ۲۰۱۸، FDA نخستین سیستم تشخیص هوش مصنوعی کاملاً خودکار (IDx-DR) را تأیید کرد و خودکارسازی غربالگری رتینوپاتی دیابتی وارد مرحله کاربرد عملی شد²⁾.
در ارزیابی دانش چشم‌پزشکی یک چت‌بات هوش مصنوعی (ChatGPT-4)، دقت کلی 70٪ بود و تفاوت‌هایی بین حوزه‌ها وجود داشت: شبکیه 77٪ (بالاترین) و نوروافتالمولوژی 58٪ (پایین‌ترین)³⁾.
غربالگری رتینوپاتی دیابتی با هوش مصنوعی در 11 مورد از 15 مطالعه از نظر هزینه مقرون‌به‌صرفه ارزیابی شد و NHS اسکاتلند صرفه‌جویی سالانه حدود 400 هزار دلار را گزارش کرد¹⁾.
دقت هوش مصنوعی همچنان در کیفیت تصویر، سوگیری (bias) داده‌های آموزشی و رسیدگی به بیماری‌های نادر با چالش‌هایی روبه‌رو است¹⁾.
تشخیص با هوش مصنوعی یک ابزار کمکی است و تشخیص نهایی و برنامه درمانی را متخصص چشم‌پزشکی تعیین می‌کند.
پژوهش درباره هوش مصنوعی که بیماری‌های سیستمیک مانند خطر قلبی‌عروقی و زوال عقل را از روی عکس‌های فوندوس پیش‌بینی می‌کند، در حال پیشرفت است⁶⁾.

1. تشخیص چشم‌پزشکی با هوش مصنوعی چیست

هوش مصنوعی (AI) اصطلاحی کلی برای سامانه‌های یادگیری ماشین است که هوش انسان را تقلید می‌کنند. یادگیری عمیق (DL) زیرمجموعه‌ای از هوش مصنوعی است که از شبکه‌های عصبی چندلایه برای استخراج ویژگی‌های پیشرفته و انجام قضاوت‌های پیچیده استفاده می‌کند¹⁾.

چشم‌پزشکی یکی از حوزه‌های پزشکی است که کاربرد هوش مصنوعی در آن بیشترین پیشرفت را داشته است. عکس‌های فوندوس، OCT (توموگرافی همدوسی نوری)، آزمون‌های میدان بینایی و سایر داده‌های تصویری استاندارد شده‌اند، بنابراین تهیه حجم زیادی از داده‌های آموزشی آسان‌تر است. هدف‌های اصلی کاربرد هوش مصنوعی سه مورد زیر است.

افزایش کارایی غربالگری (کاهش بار تفسیر برای چشم‌پزشکان متخصص)
بهبود دسترسی در مناطق دارای کمبود متخصص
یکنواخت‌سازی دقت تشخیص (کاهش اختلاف میان مراکز)

در سال 2018، FDA نخستین سیستم تشخیصی کاملاً خودکار مبتنی بر هوش مصنوعی (IDx-DR) را تأیید کرد و کاربرد عملی تشخیص چشم‌پزشکی با هوش مصنوعی را سرعت بخشید²⁾. IDx-DR را می‌توان توسط کارکنان غیرچشم‌پزشک در محیط‌های پزشکی داخلی و مراقبت‌های اولیه استفاده کرد و به‌طور خودکار تعیین می‌کند که آیا ارجاع به متخصص چشم‌پزشکی لازم است یا نه²⁾.

سامانه‌های یادگیری عمیق در شناسایی رتینوپاتی دیابتی، گلوکوم و AMD دقتی هم‌سطح متخصصان نشان داده‌اند و امکان تشخیص با AI با استفاده از عکس‌های فوندوس ثابت شده است⁸⁾.

Q AI در چشم‌پزشکی چگونه استفاده می‌شود؟

AI به‌طور خودکار تصاویر عکس‌های فوندوس و OCT را برای شناسایی بیماری‌هایی مانند رتینوپاتی دیابتی، گلوکوم و دژنراسیون ماکولای وابسته به سن تحلیل می‌کند. AI غربالگری (کاملا خودمختار) می‌تواند توسط غیرچشم‌پزشک‌ها به کار گرفته شود و برای غربالگری اولیه در مناطقی با کمبود متخصص به کار می‌رود. همچنین استفاده از چت‌بات‌های AI (مانند GPT-4) برای ارزیابی دانش چشم‌پزشکی و آموزش بیماران در حال پژوهش است³⁾. تشخیص نهایی به عنوان یک ابزار کمکی توسط متخصص چشم‌پزشکی انجام می‌شود.

2. انواع AI و بیماری‌های هدف

AI چشم‌پزشکی بر اساس کارکرد و سطح خودمختاری به‌طور کلی به سه نوع زیر تقسیم می‌شود.

AI غربالگری (کاملا خودمختار)

این سامانه عکس‌های فوندوس را به‌طور خودکار تحلیل می‌کند و مشخص می‌کند که ارجاع لازم نیست یا لازم است. حتی در نبود متخصص چشم‌پزشکی هم می‌تواند کار کند و برای بیماری‌های زیر به کار می‌رود²⁾.

رتینوپاتی دیابتی (DR): بیشترین میزان پژوهش و کاربرد
دژنراسیون ماکولای وابسته به سن (AMD): تشخیص دروزن و نئوواسکولاریزاسیون
گلوکوم: تحلیل خودکار دیسک بینایی و لایه فیبرهای عصبی
رتینوپاتی نوزادان نارس (ROP): غربالگری نوزادان در NICU
رتینوبلاستوما: پایش فوندوس در کودکان

هوش مصنوعی پشتیبان تشخیص (نیمه‌خودمختار)

این یک سامانه است که به پزشک در تفسیر تصاویر کمک می‌کند. از آن برای طبقه‌بندی زیرنوع‌های AMD از طریق بخش‌بندی خودکار ساختار لایه‌ای OCT، و همچنین برای ارزیابی شدت ادم ماکولای دیابتی (DME) استفاده می‌شود.

چت‌بات هوش مصنوعی (چندوجهی)

این کاربردی از یک مدل زبانی بزرگ است که متن (اطلاعات شرح حال) و تصاویر (عکس‌های فوندوس و OCT) را هم‌زمان تحلیل می‌کند. دانش چشم‌پزشکی و توانایی تفسیر تصویر ChatGPT-4 ارزیابی شده است و استفاده از آن برای آموزش بیمار و شرح حال‌گیری از راه دور در حال بررسی است³⁾.

نوع هوش مصنوعی	سامانه نماینده	هدف	شاخص دقت
هوش مصنوعی غربالگری (خودکار)	IDx-DR²⁾	رتینوپاتی دیابتی	حساسیت 87.2٪، ویژگی 90.7٪
هوش مصنوعی غربالگری (خودمختار)	i-ROP DL⁵⁾	ROP	حساسیت ۹۱٪، ویژگی ۹۱٪
هوش مصنوعی غربالگری (خودمختار)	EyeArt⁴⁾	رتینوپاتی دیابتی	در NHS بریتانیا ارزیابی و استفاده می‌شود
چت‌بات هوش مصنوعی	ChatGPT-4³⁾	ارزیابی دانش چشم‌پزشکی	دقت کلی ۷۰٪

3. سامانه‌های اصلی هوش مصنوعی و دقت تشخیص

IDx-DR (Digital Diagnostics)

²⁾ نخستین سامانه تشخیصی هوش مصنوعی کاملاً خودکار است که در سال ۲۰۱۸ توسط FDA تأیید شد. کارکنان غیرچشم‌پزشک با دوربین فوندوس بدون گشاد کردن مردمک تصویر می‌گیرند و هوش مصنوعی به‌طور خودکار آن را تحلیل کرده و درباره ارجاع تصمیم می‌گیرد. این سامانه در مراکز مراقبت اولیه در حال گسترش است.

شاخص‌های اصلی عملکرد (آزمایش محوری Abràmoff و همکاران در ۲۰۱۸)²⁾:

حساسیت: 87.2% (تشخیص رتینوپاتی دیابتی متوسط یا شدیدتر)
ویژگی: 90.7%
ارزش پیش‌بینی مثبت: 49.7%، ارزش پیش‌بینی منفی: 98.5%

IDx-DR امکان غربالگری خودکار رتینوپاتی دیابتی (DR) را در مراکز داخلی و مراقبت اولیه فراهم کرده و می‌تواند موارد نیازمند ارجاع به چشم‌پزشک را به‌طور مؤثر انتخاب کند²⁾.

تفسیر تصاویر چشم‌پزشکی توسط چت‌بات هوش مصنوعی (ChatGPT-4)

دقت GPT-4 در پرسش‌های چندگزینه‌ای چشم‌پزشکی ارزیابی شده است³⁾ و دقت کلی آن 70% است.

دقت کلی: 70% (299/428 سؤال)
رتبه‌بندی دقت بر حسب حوزه:

حوزه	دقت
شبکیه	77% (بالاترین)³⁾
تومورهای چشم	72%³⁾
چشم‌پزشکی کودکان	68%³⁾
یووئیت	67%³⁾
گلوکوم	61%³⁾
نوروافتالمولوژی	58٪ (کمترین)³⁾

سؤالات مبتنی بر تصویر: 65٪، سؤالات غیرمبتنی بر تصویر: 82٪ (اختلاف 17٪، P < .001)³⁾

این تفاوت نشان می‌دهد که توانایی چت‌بات در تفسیر تصویر همچنان از درک متنِ غیرمبتنی بر تصویر پایین‌تر است. اشاره شده است که ادغام مناسب چت‌بات‌های چندوجهی در محیط‌های بالینی ضروری است³⁾.

IDx-DR (مورد تأیید FDA در سال 2018)

بیماری هدف: رتینوپاتی دیابتی

دقت: حساسیت 87.2٪، ویژگی 90.7٪

ویژگی‌ها: کاملاً خودکار. قابل استفاده توسط افراد غیرمتخصص چشم‌پزشکی. استفاده در داخلی و مراقبت‌های اولیه²⁾

EyeArt (Eyenuk)

بیماری هدف: رتینوپاتی دیابتی

دقت: در NHS بریتانیا ارزیابی و به‌طور عملی به کار گرفته شده است

ویژگی‌ها: سابقه ادغام در برنامه‌های غربالگری دارد⁴⁾

i-ROP DL (2018)

بیماری هدف: رتینوپاتی نوزادان نارس (ROP)

دقت: حساسیت 91٪، ویژگی 91٪

ویژگی: تشخیص خودکار بیماری پلاس در NICU⁵⁾

ChatGPT-4 (OpenAI)

موضوع: ارزیابی دانش چشم‌پزشکی و تفسیر تصاویر

دقت: نرخ پاسخ صحیح کلی 70٪ (شبکیه 77٪، نوروافتالمولوژی 58٪)

ویژگی: در مرحله پژوهش برای کاربرد در آموزش بیمار و مصاحبه از راه دور³⁾

Q دقت تشخیص بیماری‌های چشم با هوش مصنوعی چقدر است؟

هوش مصنوعی غربالگری رتینوپاتی دیابتی (IDx-DR) حساسیت 87.2٪ و ویژگی 90.7٪ داشت و دقت آن هم‌تراز با تفسیر متخصص چشم‌پزشکی بود²⁾. هوش مصنوعی مخصوص رتینوپاتی نوزادان نارس (ROP) (i-ROP DL) نیز به حساسیت 91٪ و ویژگی 91٪ دست یافت⁵⁾. در مقابل، در ارزیابی دانش چشم‌پزشکی چت‌بات هوش مصنوعی (ChatGPT-4)، نرخ پاسخ صحیح کلی 70٪ بود و در حوزه نوروافتالمولوژی 58٪ و پایین‌تر بود³⁾. در همه موارد، هوش مصنوعی فقط یک ابزار کمکی است و در صورت شناسایی هرگونه ناهنجاری، معاینه دقیق توسط متخصص چشم‌پزشکی لازم است.

4. هزینه‌اثربخشی و اقتصاد سلامت

شواهد مربوط به هزینه‌اثربخشی غربالگری چشم‌پزشکی با هوش مصنوعی در چندین مطالعه در حال انباشت است¹⁾.

غربالگری رتینوپاتی دیابتی (DR)

در مرور نظام‌مند Wu و همکاران (2021)، 11 مورد از 15 مطالعه‌ای که اقتصاد غربالگری DR مبتنی بر هوش مصنوعی را ارزیابی کردند، آن را مقرون‌به‌صرفه دانستند¹⁾.

NHS اسکاتلند: صرفه‌جویی سالانه $403,200
ایالات متحده (IDx-DR/EyeArt): کاهش هزینه 23.3٪ برای هر بیمار
مناطق روستایی چین: غربالگری با هوش مصنوعی $34.86 ارزان‌تر از ارزیابان انسانی بود و QALY را 0.04 افزایش داد

منطقه/موقعیت	ارزیابی مقرون‌به‌صرفه بودن	منبع
NHS اسکاتلند	صرفه‌جویی سالانه $403,200	Wu 2021¹⁾
مراقبت‌های اولیه در ایالات متحده	کاهش هزینه 23.3٪ برای هر بیمار	Wu 2021¹⁾
مناطق روستایی چین	34.86 دلار ارزان‌تر از ارزیاب‌های انسانی، +0.04 QALY	Wu 2021¹⁾
ژاپن (AMD، Tamura et al. 2022)	ICER $99,283/QALY (بالاتر از آستانه)	Wu 2021¹⁾

غربالگری رتینوپاتی نوزادان نارس (ROP)

گزارش شده است که غربالگری خودکار با هوش مصنوعی در مقایسه با پزشکی از راه دور، افتالموسکوپی و هوش مصنوعی کمکی بیشترین صرفه‌جویی هزینه را دارد¹⁾. با آستانه تمایل به پرداخت 7 دلار، در مقایسه با غربالگری کمکی مقرون‌به‌صرفه تشخیص داده شد¹⁾.

غربالگری AMD (دژنراسیون ماکولا وابسته به سن)

در یک شبیه‌سازی کوهورت ژاپنی (500,000 نفر 40 ساله و بالاتر، شیوع 3.85%)، ICER غربالگری با هوش مصنوعی هر 3 سال برابر با $99,283/QALY ($92,890-$99,283) بود¹⁾. این مقدار از آستانه تمایل به پرداخت ژاپن (حدود $47,286/QALY) بالاتر است، بنابراین در حال حاضر مقرون‌به‌صرفه بودن غربالگری AMD همچنان محل تردید است¹⁾. با این حال، پیشرفت فناوری هوش مصنوعی و کاهش هزینه‌ها می‌تواند در آینده بهبود ایجاد کند.

5. چالش‌ها و محدودیت‌ها

چالش‌های فنی

سوگیری داده‌های آموزشی: در داده‌های آموزشیِ متمایل به نژادها یا گروه‌های سنی خاص، دقت در گروه‌های دیگر کاهش می‌یابد¹⁾
وابستگی به کیفیت تصویر: کیفیت عکس‌های فوندوس چشم (وجود یا عدم وجود اتساع مردمک، کدورت محیط‌های شفاف، و شرایط تصویربرداری) مستقیماً بر دقت هوش مصنوعی اثر می‌گذارد
دشواری در مواجهه با بیماری‌های نادر: در بیماری‌هایی که داده آموزشی کمی دارند، دقت کافی به دست نمی‌آید
مشکل جعبه سیاه: مبنای تصمیم‌های هوش مصنوعی شفاف نیست و پزشکان به‌سختی می‌توانند مسئولیت توضیح را انجام دهند¹⁾
دقت پایین در نوروافتالمولوژی: نرخ پاسخ درست ChatGPT-4 در نوروافتالمولوژی 58٪ بود که پایین‌ترین میزان است و در تفسیر اختلالات پیچیده عصب بینایی محدودیت دارد³⁾

چالش‌های اخلاقی و مقرراتی

مسائل اخلاقی و حقوقی زیر برای هوش مصنوعی چشم‌پزشکی مطرح می‌شود¹⁾.

حریم خصوصی بیمار و امنیت داده‌ها: تدوین مقررات برای مدیریت ابری و اشتراک‌گذاری بین‌المللی تصاویر فوندوس
مسئولیت در صورت تشخیص نادرست: در صورت تشخیص نادرست AI، مسئولیت با پزشک است یا سازنده AI
فرایندهای مقرراتی و تأیید: نظام‌های ارزیابی مناسب برای تجهیزات پزشکی مبتنی بر AI تحت FDA (ایالات متحده)، قانون داروها و تجهیزات پزشکی (ژاپن) و سایر موارد
اطمینان از توضیح‌پذیری (explainability): اهمیت ارائه مبنای تصمیم‌های AI به شکلی که پزشکان و بیماران بتوانند آن را درک کنند

مسائل اقتصاد سلامت

هزینه اولیهٔ اجرا (سخت‌افزار، نرم‌افزار و آموزش کارکنان) ممکن است بالا باشد¹⁾
تفاوت در اثربخشی هزینه بین کشورهای کم‌درآمد و پردرآمد زیاد است¹⁾
سامانه‌های بازپرداخت بیمه در هر کشور در حال توسعه هستند و اجرای آن در ژاپن هنوز در مرحلهٔ توسعه قرار دارد

Q آیا تشخیص چشم با هوش مصنوعی ایمن است؟

سامانه‌هایی که توسط نهادهای نظارتی مانند FDA تأیید شده‌اند (مانند IDx-DR) از آزمون‌های بالینی سخت‌گیرانه عبور کرده‌اند و سطحی از ایمنی در آن‌ها تأیید شده است²⁾. با این حال، تشخیص با هوش مصنوعی یک ابزار کمکی است و تشخیص نهایی و برنامهٔ درمان باید توسط چشم‌پزشک تعیین شود. توصیه نمی‌شود بیمار فقط با یک چت‌بات هوش مصنوعی (مانند ChatGPT) خودتشخیصی کند. دقت هوش مصنوعی ممکن است در کیفیت پایین تصویر، بیماری‌های نادر و حوزهٔ نوروافتalmولوژی کاهش یابد³⁾، بنابراین اگر به وجود ناهنجاری مشکوک هستید، مراجعهٔ سریع به چشم‌پزشک اهمیت دارد.

6. پایهٔ فنی: سازوکار یادگیری عمیق

تصویری با نقشهٔ حرارتی Grad-CAM که روی عکس فوندوس چشم قرار داده شده است. نواحی مورد توجه هوش مصنوعی با مقیاس رنگی برای سه دسته نشان داده شده‌اند: چشم طبیعی، مشکوک به گلوکوم و مشکوک به رتینوپاتی دیابتی

Arias-Serrano I, et al. Artificial intelligence based glaucoma and diabetic retinopathy detection using MATLAB — retrained AlexNet convolutional neural network. F1000Research. 2024;12:14. Figure 8. PMCID: PMC11143403. License: CC BY.

شکل مقایسه‌ای که نقشه‌های حرارتی Grad-CAM از AlexNet، ResNet50 و GoogLeNet را روی عکس‌های فوندوس چشم (ستون چپ) از چشم طبیعی (Non_D)، مشکوک به گلوکوم (Sus_G) و مشکوک به رتینوپاتی دیابتی (Sus_R) نشان می‌دهد. رنگ قرمز تا زرد نشان‌دهندهٔ توجه بیشتر و آبی نشان‌دهندهٔ توجه کمتر است. در موارد گلوکوم، فعال‌سازی قوی در اطراف دیسک عصب بینایی دیده می‌شود و در موارد رتینوپاتی دیابتی، فعال‌سازی قوی در ناحیهٔ ماکولا تا قطب خلفی دیده می‌شود. این با تکنیک‌های بصری‌سازی Grad-CAM و شبکهٔ عصبی پیچشی که در بخش «پایهٔ فنی: سازوکار یادگیری عمیق» مطرح شده‌اند، مطابقت دارد.

شبکهٔ عصبی پیچشی (CNN)

شبکهٔ عصبی پیچشی (CNN: Convolutional Neural Network) فناوری اصلی تشخیص چشم‌پزشکی با هوش مصنوعی است.

به‌طور خودکار ویژگی‌ها را به‌صورت سلسله‌مراتبی از تصاویر فوندوس و OCT ورودی استخراج می‌کند
لایه‌های کم‌عمق ویژگی‌های سطح پایین مانند خطوط بیرونی و رنگ را تشخیص می‌دهند، در حالی که لایه‌های عمیق‌تر ویژگی‌های انتزاعی مانند الگوی عروق، خونریزی، ادم و شکل دیسک عصب بینایی را تشخیص می‌دهند
یادگیریِ مکرر با حجم زیادی از داده‌های آموزشی (تصاویر مرجعِ برچسب‌خورده توسط پزشکان متخصص)

فرآیند یادگیری هوش مصنوعی

گردآوری داده: جمع‌آوری گستردهٔ عکس‌های فوندوس، OCT و داده‌های آزمون میدان بینایی
برچسب‌گذاری: چشم‌پزشکانِ متخصص برای هر تصویر، برچسب مرجع (مرحله و یافته‌ها) را تعیین می‌کنند
آموزش و بهینه‌سازی: تنظیمِ تکراریِ پارامترهای شبکه به‌گونه‌ای که به پاسخ درست نزدیک‌تر شوند
اعتبارسنجی و کارآزمایی‌های بالینی: ارزیابی عملکرد در کوهورت‌های خارجی و آزمون پایلوت در عمل بالینی واقعی

یادگیری انتقالی (به‌کارگیری مدل‌های ازپیش‌آموزش‌دیده از حوزه‌های دیگر مانند ImageNet روی تصاویر چشم‌پزشکی) به‌طور گسترده به‌عنوان روشی برای دستیابی به دقت بالا، حتی وقتی داده‌های آموزشی محدود هستند، استفاده می‌شود.

پژوهش‌ها دربارهٔ تولید تصاویر مصنوعی با استفاده از GAN (شبکه‌های مولد تخاصمی) برای گسترش مصنوعی داده‌های آموزشیِ بیماری‌های نادر نیز در حال پیشرفت است.

هوش مصنوعی چندوجهی

هوش مصنوعی چندوجهی که متن (اطلاعات شرح‌حال) و تصویر (عکس‌های فوندوس و OCT) را هم‌زمان پردازش می‌کند، همراه با پیشرفت مدل‌های زبانی بزرگ (مانند GPT-4) در حال کاربرد در چشم‌پزشکی است³⁾. با اینکه می‌تواند اطلاعات متنوع‌تری را نسبت به CNN تک‌وجهی یکپارچه کند، نشان داده شده که توانایی آن در تفسیر تصویر هنوز از درک متن ضعیف‌تر است³⁾.

7. تازه‌ترین پژوهش‌ها و چشم‌اندازهای آینده

پیش‌بینی بیماری‌های سیستمیک از روی عکس‌های فوندوس

تحلیل عکس‌های فوندوس با یادگیری عمیق نشان داده است که ممکن است بتوان تنها از روی عکس‌های فوندوس، عواملی مانند سن، جنسیت، فشار خون سیستولیک، سابقه سیگار کشیدن و HbA1c را به‌عنوان عوامل خطر سیستمیک پیش‌بینی کرد⁶⁾. همچنین برای پیش‌بینی خطر آینده رویدادهای قلبی‌عروقی (سکته قلبی و سکته مغزی) نیز دقتی تا حدی گزارش شده است و به همین دلیل این ایده که عکس‌های فوندوس بتوانند پنجره‌ای به وضعیت کلی سلامت باشند مورد توجه قرار گرفته است. مدل‌های هوش مصنوعی برای پیش‌بینی دمانس، بیماری کلیه و کم‌خونی نیز هنوز در مرحله پژوهش هستند⁶⁾.

یکپارچه‌سازی با دوربین فوندوسِ گوشی هوشمند

با تصویربرداری فوندوس با استفاده از لنز کوچکِ متصل به گوشی هوشمند و تحلیل هوش مصنوعی، نشان داده شده است که غربالگری DR در بیماران دیابتی در هند عملی است⁷⁾. هم حساسیت و هم ویژگی در حد دوربین‌های تخصصی فوندوس بوده‌اند و غربالگری با هوش مصنوعی همراه با دستگاه‌های همه‌منظوره کم‌هزینه می‌تواند به گسترش آن در کشورهای در حال توسعه و مناطق روستایی کمک کند.

هم‌افزایی هوش مصنوعی و تله‌پزشکی

با ادغام غربالگری هوش مصنوعی و تله‌پزشکی، انتظار می‌رود دسترسی به خدمات چشم‌پزشکی در مناطق دورافتاده و کشورهای در حال توسعه بهبود یابد. حتی در مراکزی که متخصص چشم وجود ندارد، هوش مصنوعی می‌تواند غربالگری اولیه را انجام دهد و فقط موارد مثبت را برای ارزیابی از راه دور توسط متخصص ارسال کند، و این به استفاده کارآمدتر از منابع درمانی کمک می‌کند.

کاربرد در پزشکی فردمحور

پژوهش‌ها درباره هوش مصنوعی‌ای که بتواند پاسخ درمان به درمان ضد VEGF (رانیبیزوماب، آفلibercept, faricimab و غیره) را از پیش پیش‌بینی کند و برای هر بیمار مناسب‌ترین برنامه تزریق را پیشنهاد دهد، در حال پیشرفت است. مدل‌هایی که اثر درمان را از روی تصاویر OCT پیش‌بینی می‌کنند، ممکن است به کاهش تعداد تزریق‌ها و بهبود پیش‌آگهی بینایی کمک کنند.

کاربرد هوش مصنوعی مولد در آموزش بیمار و کمک به شرح حال

مدل‌های زبانی بزرگ (مانند GPT-4) برای کاربردهایی مانند توضیح بیماری به بیمار، تهیه اسناد رضایت آگاهانه و کمک به شرح حال‌گیری در حال بررسی هستند³⁾. با این حال، جلوگیری از خطاها و سوگیری در اطلاعات پزشکی و نیز حفظ رابطه پزشک-بیمار همچنان چالش‌برانگیز است. توصیه نمی‌شود بیماران فقط بر اساس چت‌بات درباره خودتشخیصی یا خوددرمانی تصمیم بگیرند³⁾.

8. منابع

Wu JH, Liu TYA, Hsu WT, et al. Performance and limitation of machine learning algorithms for diabetic retinopathy screening: meta-analysis. J Med Internet Res. 2021;23(11):e23863.
Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ digital medicine. 2018;1:39. doi:10.1038/s41746-018-0040-6. PMID:31304320; PMCID:PMC6550188.
Mihalache A, Popovic MM, Guo MZ, et al. Performance of an upgraded artificial intelligence chatbot for ophthalmic knowledge assessment. JAMA Ophthalmol. 2024;142(3):234-241.
Olvera-Barrios A, Heeren TF, Balaskas K, et al. Diagnostic accuracy of diabetic retinopathy grading by an artificial intelligence-enabled algorithm compared with a human standard reference. Diabetologia. 2023;66(5):857-866.
Brown JM, Campbell JP, Beers A, et al. Automated diagnosis of plus disease in retinopathy of prematurity using deep convolutional neural networks. JAMA Ophthalmol. 2018;136(7):803-810.
Poplin R, Varadarajan AV, Blumer K, Liu Y, McConnell MV, Corrado GS, et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nature biomedical engineering. 2018;2(3):158-164. doi:10.1038/s41551-018-0195-0. PMID:31015713.
Rajalakshmi R, Subashini R, Anjana RM, et al. Automated diabetic retinopathy detection in smartphone-based fundus photography using artificial intelligence. Eye. 2018;32(6):1138-1144.
Ting DSW, Cheung CY, Lim G, Tan GSW, Quang ND, Gan A, et al. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA. 2017;318(22):2211-2223. doi:10.1001/jama.2017.18152. PMID:29234807; PMCID:PMC5820739.