ต้อกระจกเป็นคำทั่วไปสำหรับโรคที่เลนส์ตาบางส่วนหรือทั้งหมดขุ่นมัว คาดว่ามีผู้คน 52.6 ล้านคนทั่วโลกที่มีความบกพร่องทางการมองเห็นระดับปานกลางถึงรุนแรง และเป็นสาเหตุหลักของภาวะตาบอดที่รักษาได้ การผ่าตัดต้อกระจกเป็นการแทรกแซงทางการแพทย์ที่คุ้มค่าที่สุดวิธีหนึ่ง แต่ในประเทศที่มีรายได้ต่ำและปานกลาง ทรัพยากรที่จำกัดและระยะเวลารอคอยที่ยาวนานเป็นอุปสรรคต่อการรักษา
ในช่วงไม่กี่ปีที่ผ่านมา เทคโนโลยีดิจิทัล โดยเฉพาะปัญญาประดิษฐ์ (AI) ถูกนำไปใช้ในหลายขั้นตอนของการดูแลต้อกระจก พื้นที่การประยุกต์ใช้ AI สามารถแบ่งออกเป็นสามประเภทหลัก
เมื่อประชากรสูงอายุขึ้น ความต้องการผ่าตัดต้อกระจกเพิ่มขึ้น แต่การให้บริการจักษุวิทยายังตามไม่ทัน เทคโนโลยี AI ถือเป็นวิธีการที่ช่วยลดช่องว่างระหว่างอุปสงค์และอุปทานนี้
ด้วยจำนวนประชากรสูงอายุที่เพิ่มขึ้น ความต้องการผ่าตัดต้อกระจกจึงเพิ่มขึ้นอย่างรวดเร็ว ในขณะที่การจัดหาบริการจักษุวิทยายังขยายตัวไม่เพียงพอ โดยเฉพาะในประเทศที่มีรายได้ต่ำและปานกลาง รวมถึงพื้นที่ชนบท ยังมีต้อกระจกที่ไม่ได้รับการวินิจฉัยอีกจำนวนมาก การวินิจฉัยทางไกลและการคัดกรองโดยใช้ AI สามารถช่วยลดความเหลื่อมล้ำในการเข้าถึงบริการสุขภาพได้
ต้อกระจกมีสาเหตุหลักจากอายุที่เพิ่มขึ้น ความชุกรวมถึงความขุ่นในระยะเริ่มต้นอยู่ที่ประมาณ 45% ในช่วงอายุ 50 ปี 75% ในช่วงอายุ 60 ปี 85% ในช่วงอายุ 70 ปี และ 100% ในผู้ที่มีอายุมากกว่า 80 ปี ประเภทหลักของความขุ่นมีสามแบบคือ คอร์ติคอล นิวเคลียร์ และใต้แคปซูลด้านหลัง โดยต้อกระจกชนิดคอร์ติคอลพบมากที่สุดในคนญี่ปุ่น
สำหรับการจำแนกระดับความรุนแรงของต้อกระจก ใช้ระบบต่างๆ เช่น LOCS III (ระบบการจำแนกความขุ่นของเลนส์ III) การจำแนกของ WHO และการจำแนกของ Emery-Little การจำแนกของ Emery-Little ประเมินสีของนิวเคลียสเป็น 5 ระดับ และใช้กันอย่างแพร่หลายในการประมาณความยากของการผ่าตัด
ในระยะเริ่มต้นของต้อกระจก มักไม่มีอาการที่ผู้ป่วยรับรู้ เมื่อดำเนินไป อาการต่อไปนี้จะปรากฏ
ไม่มียารักษาที่ทำให้ต้อกระจกใสขึ้น ในกรณีที่การมองเห็นลดลง การผ่าตัดสลายต้อกระจกด้วยคลื่นเสียงความถี่สูง (PEA) และการใส่เลนส์แก้วตาเทียม (IOL) เป็นการรักษามาตรฐาน ด้วยความก้าวหน้าของอุปกรณ์ผ่าตัด การผ่าตัดสามารถทำได้ผ่านแผลเล็กประมาณ 2 มม. ทำให้ผู้ป่วยสามารถกลับสู่สังคมได้เร็วขึ้น ในช่วงไม่กี่ปีที่ผ่านมา การผ่าตัดต้อกระจกด้วยเลเซอร์เฟมโตวินาทีก็ถูกนำมาใช้ทางคลินิกเช่นกัน
ปัจจุบัน ต้อกระจกได้รับการวินิจฉัยทางคลินิกโดยจักษุแพทย์โดยใช้กล้องจุลทรรศน์ชนิดกรีด (slit-lamp) และจำเป็นต้องตรวจแบบพบหน้า อย่างไรก็ตาม ในประเทศกำลังพัฒนาและพื้นที่ชนบท การเข้าถึงที่ยากลำบากทำให้ต้อกระจกที่ไม่ได้รับการวินิจฉัยเป็นปัญหาสำคัญ
แพลตฟอร์มการวินิจฉัยทางไกลที่ใช้ AI ช่วยลดอุปสรรคในการเข้าถึงเหล่านี้ การวินิจฉัยที่รวดเร็วมีความสำคัญอย่างยิ่งในต้อกระจกในเด็กเพื่อป้องกันภาวะตามัวที่ไม่สามารถรักษาให้หายได้
จากภาพถ่ายกล้องจุลทรรศน์ชนิดกรีด
แบบจำลองของ Wu และคณะ: ฝึกด้วยภาพถ่ายกล้องจุลทรรศน์ชนิดกรีดประมาณ 38,000 ภาพ มีความไวและความจำเพาะมากกว่า 95% ในการตรวจจับและจำแนกความรุนแรงของต้อกระจก นอกจากนี้ยังรายงานความไวและความจำเพาะประมาณ 80% ในการประเมินความแข็งของนิวเคลียส 3 ระดับ
Li และคณะ (Visionome): วินิจฉัยโรคของส่วนหน้าของลูกตารวมถึงต้อกระจกจากภาพถ่ายด้วยกล้องจุลทรรศน์ชนิดกรีด ความแม่นยำ 79.47–99.22% เหนือกว่าแพทย์จักษุที่มีประสบการณ์ 1 ปี
基于眼底照片
แบบจำลองของ Xu และคณะ: อัลกอริทึม CNN แบบรวม (AlexNet + VisualDN) โดยใช้ภาพถ่ายจอประสาทตาเป็นข้อมูลเข้า บรรลุความแม่นยำ 86.2% ในการตรวจจับและจำแนกต้อกระจก
แบบจำลองที่ใช้ ResNet (Wu และคณะ): การจำแนกสามระยะ (เลนส์ต้อกระจก, ตาที่มีเลนส์แก้วตาเทียม, ตาปกติ) โดยมี AUC > 0.99
Wu และคณะเสนอแบบจำลองสามระยะ: (1) การติดตามตนเองผ่านสมาร์ทโฟน (2) การวินิจฉัยด้วย AI จากภาพถ่ายส่วนหน้าของลูกตา (3) การปรึกษาทางไกลโดยจักษุแพทย์ผ่านแพลตฟอร์มคลาวด์ ระบบนี้สามารถเพิ่มจำนวนประชากรที่จักษุแพทย์หนึ่งคนดูแลได้ถึง 10 เท่า นับตั้งแต่การตีพิมพ์บทความคัดกรองจอประสาทตาเสื่อมจากเบาหวานในปี 2016 การวินิจฉัยด้วย AI ในจักษุวิทยาได้ก้าวหน้าในโรคจอประสาทตาและต้อหินโดยใช้ภาพถ่ายจอประสาทตาและ OCT ส่วนหลัง แต่ในช่วงไม่กี่ปีที่ผ่านมา การประยุกต์ใช้กับภาพถ่ายกล้องจุลทรรศน์ชนิดกรีดของส่วนหน้ากำลังพัฒนา
แม้ว่าจะยังอยู่ในขั้นตอนการวิจัย แต่ได้มีการเสนอระบบที่ AI วิเคราะห์ภาพส่วนหน้าของดวงตาที่ถ่ายด้วยสมาร์ทโฟนเพื่อระบุการมีอยู่และความรุนแรงของต้อกระจก จำเป็นต้องมีการตรวจสอบเพิ่มเติมสำหรับการประยุกต์ใช้ทางคลินิก แต่อาจมีประโยชน์สำหรับการคัดกรองในพื้นที่ห่างไกล
การผ่าตัดต้อกระจกต้องการผลการหักเหของแสงหลังการผ่าตัดที่แม่นยำ ในสูตรคำนวณเลนส์แก้วตาเทียมแบบดั้งเดิม ความแม่นยำในการทำนายไม่เพียงพอสำหรับดวงตาหลังการผ่าตัดแก้ไขสายตาผิดปกติหรือผู้ป่วยที่มีค่าการวัดทางชีวภาพที่ผิดปกติ สูตรรุ่นใหม่ที่ใช้ AI กำลังจัดการกับความท้าทายนี้
| สูตร | คุณลักษณะ | หมายเหตุ |
|---|---|---|
| สูตร Kane | ทฤษฎี + การวิเคราะห์การถดถอยด้วย AI | ประสิทธิภาพอยู่ใน 3 อันดับแรกอย่างสม่ำเสมอในการทดสอบเปรียบเทียบ |
| Hill-RBF | การจดจำรูปแบบที่ใช้ ANN | วิเคราะห์ชุดข้อมูลการหักเหของแสงขนาดใหญ่ |
| PEARL-DGS | การทำให้เอาต์พุตเป็นเชิงเส้นด้วย ML | การปรับค่าสำหรับการวัดทางชีวมิติที่รุนแรง |
สูตร Kane เป็นการผสมผสานระหว่างแบบจำลองตามทฤษฎีกับการวิเคราะห์การถดถอยและส่วนประกอบ AI ในการทดสอบเปรียบเทียบ สูตรนี้เหนือกว่าสูตรรุ่นที่สาม เช่น Barrett Universal II, Haigis และ Olsen และรักษาประสิทธิภาพในสามอันดับแรกอย่างสม่ำเสมอในหมู่สูตรรุ่นใหม่ แสดงผลลัพธ์ที่สมเหตุสมผลแม้ในกรณีที่มีความยาวแกนตาที่รุนแรง
Hill-RBF (ฟังก์ชันพื้นฐานแนวรัศมี) เป็นเครื่องคำนวณเลนส์แก้วตาเทียมที่ใช้โครงข่ายประสาทเทียม ซึ่งวิเคราะห์ชุดข้อมูลผลลัพธ์การหักเหของแสงขนาดใหญ่ผ่านการจดจำรูปแบบและการประมาณค่าระหว่างข้อมูล
สูตร PEARL-DGS ใช้การสร้างแบบจำลองการเรียนรู้ของเครื่องและการทำให้เอาต์พุตเป็นเชิงเส้นเพื่อทำนายตำแหน่งเลนส์ที่มีประสิทธิภาพและปรับค่าการวัดทางชีวมิติที่รุนแรง
Karmona เป็นแนวทางการคำนวณกำลังของเลนส์แก้วตาเทียมที่ขับเคลื่อนด้วยข้อมูล โดยใช้แบบจำลองการเรียนรู้ของเครื่องหลายแบบ เช่น K-Nearest Neighbors, ANN, SVM และ Random Forest เพื่อทำนายกำลัง
สูตรคำนวณเลนส์แก้วตาเทียมแบบดั้งเดิมอิงตามแบบจำลองทางทฤษฎีเฉพาะ ซึ่งอาจทำให้เกิดความคลาดเคลื่อนสูงในดวงตาหลังการผ่าตัดแก้ไขสายตาหรือกรณีที่มีความยาวแกนตายาวหรือสั้นมาก สูตรที่ใช้ AI เรียนรู้รูปแบบจากข้อมูลขนาดใหญ่ จึงสามารถรักษาความแม่นยำในการทำนายได้สูงแม้ในกรณีพิเศษเหล่านี้
AI ยังถูกนำไปใช้ในการฝึกผ่าตัดต้อกระจก การตัดสินใจระหว่างผ่าตัด และการวิเคราะห์หลังผ่าตัด
การผ่าตัดต้อกระจกประกอบด้วยหลายระยะ (การเปิดแคปซูลด้านหน้า การจัดการนิวเคลียส การดูดคอร์เทกซ์ การใส่เลนส์แก้วตาเทียม) การวิเคราะห์วิดีโอผ่าตัดอัตโนมัติด้วย AI ช่วยให้สามารถระบุแต่ละระยะได้
การระบุระยะอัตโนมัติเป็นพื้นฐานสำหรับการประเมินทักษะการผ่าตัดตามระยะและการตอบสนองแบบเรียลไทม์
Lanza และคณะวิเคราะห์การผ่าตัดต้อกระจก 1,229 รายการที่มีข้อผิดพลาด 73 รายการ และสร้างแบบจำลอง AI เพื่อตรวจจับปัจจัยเสี่ยงของภาวะแทรกซ้อนระหว่างผ่าตัดและทำนายระยะเวลาผ่าตัดทั้งหมด
Eyesi (บริษัท Haag-Streit) เป็นระบบฝึกอบรมจำลองทางจักษุวิทยาที่มีจำหน่ายในท้องตลาด ซึ่งให้การศึกษาอัจฉริยะที่ผสานความเป็นจริงเสมือน (VR) และ AI เข้าด้วยกัน ระบบนี้สร้างสภาพแวดล้อมให้ผู้เรียนสามารถฝึกฝนทักษะหัตถการก่อนพบผู้ป่วยจริง
หากการนำ AI มาใช้ทางคลินิกในการดูแลต้อกระจกประสบความสำเร็จ คาดว่าจะได้รับประโยชน์ระยะยาว เช่น การเพิ่มประสิทธิภาพทางการแพทย์ การเข้าถึงที่ดีขึ้น และการลดต้นทุน โดยเฉพาะอย่างยิ่งสำหรับกลุ่มผู้มีรายได้น้อย
อย่างไรก็ตาม มีความท้าทายดังต่อไปนี้เพื่อให้บรรลุการประยุกต์ใช้ในทางปฏิบัติ
จนถึงปัจจุบัน มีอัลกอริทึมเพียงไม่กี่ตัวที่ได้รับการพิสูจน์ความน่าเชื่อถือในสภาพแวดล้อมทางคลินิก จำเป็นต้องมีการทดลองแบบสุ่มที่มีกลุ่มควบคุมเพิ่มเติมเพื่อสร้างประโยชน์ของระบบ AI
แม้ว่าจะมีรายงานความแม่นยำสูงในระดับงานวิจัย แต่ก็ยังมีความท้าทายในการนำไปใช้อย่างเต็มรูปแบบในทางปฏิบัติทางคลินิก การตรวจสอบความสามารถในการสรุปทั่วไประหว่างประชากรที่แตกต่างกัน การตรวจสอบประสิทธิภาพผ่านการทดลองทางคลินิกขนาดใหญ่ และการสร้างการจัดการข้อมูลที่มีจริยธรรมเป็นสิ่งจำเป็น ในปัจจุบัน การใช้งานจริงคือเป็นเครื่องมือช่วยวินิจฉัยของจักษุแพทย์
