Katarakt, lensin bir kısmının veya tamamının bulanıklaştığı bir hastalık grubudur. Dünya genelinde tahmini 52,6 milyon kişi orta ila şiddetli görme bozukluğu yaşamaktadır ve bu durum tedavi edilebilir körlüğün başlıca nedenidir. Katarakt cerrahisi en maliyet etkin tıbbi müdahalelerden biri olmasına rağmen, düşük ve orta gelirli ülkelerde sınırlı kaynaklar ve uzun bekleme süreleri tedavinin önünde engel oluşturmaktadır.
Son yıllarda, yapay zeka (YZ) başta olmak üzere dijital teknolojiler katarakt bakımının çeşitli aşamalarında uygulanmaya başlanmıştır. YZ teknolojisinin uygulama alanları temel olarak aşağıdaki üç kategoriye ayrılır:
Tanı desteği: Yarık lamba fotoğrafları veya fundus fotoğrafları kullanılarak kataraktın otomatik tespiti ve şiddet sınıflandırması
Göz içi lens gücü hesaplaması: Makine öğrenimi algoritmaları ile ameliyat sonrası kırılma sonuçlarının yüksek hassasiyetle tahmini
Yaşlanan nüfusla birlikte katarakt cerrahisi talebi artarken, oftalmoloji hizmetlerinin arzı buna yetişememektedir. Yapay zeka teknolojisi, bu arz-talep açığını kapatmanın bir yolu olarak dikkat çekmektedir.
QKatarakt bakımında neden yapay zekaya ihtiyaç duyulmaktadır?
A
Yaşlı nüfusun artmasıyla katarakt cerrahisi talebi hızla artarken, oftalmolojik bakım arzı yeterince genişlememiştir. Özellikle düşük ve orta gelirli ülkelerde ve kırsal alanlarda teşhis edilmemiş katarakt vakaları yaygındır ve yapay zeka destekli uzaktan teşhis ve tarama, sağlık hizmetlerine erişimdeki eşitsizlikleri azaltma potansiyeline sahiptir.
Kataraktın ana nedeni yaşlanmadır ve erken bulanıklık dahil prevalans 50’li yaşlarda yaklaşık %45, 60’lı yaşlarda %75, 70’li yaşlarda %85 ve 80 yaş üstünde %100’e ulaşır. Başlıca bulanıklık tipleri kortikal, nükleer ve subkapsüler olmak üzere üç ana tiptir ve Japonlarda en sık görülen kortikal katarakttır.
Kataraktın şiddetini sınıflandırmak için LOCS III (Lens Opacities Classification System III), WHO sınıflaması ve Emery-Little sınıflaması gibi sistemler kullanılır. Emery-Little sınıflaması, nükleer rengi 5 aşamada değerlendirir ve cerrahi zorluğun tahmininde yaygın olarak kullanılır.
Kataraktı şeffaflaştıran bir ilaç tedavisi yoktur. Görme fonksiyonu azalmış vakalarda fakoemülsifikasyon (PEA) ve göz içi lens (GİL) implantasyonu standart tedavidir. Cerrahi ekipmanlardaki ilerlemeler sayesinde yaklaşık 2 mm’lik küçük kesilerle ameliyat mümkün olup, ameliyat sonrası erken dönemde sosyal hayata dönüş beklenir. Son yıllarda femtosaniye lazer kullanılarak yapılan katarakt cerrahisi de klinikte kullanılmaktadır.
Katarakt şu anda göz doktorları tarafından yarık lamba biyomikroskobu kullanılarak klinik olarak teşhis edilmektedir ve yüz yüze muayene zorunludur. Ancak gelişmekte olan ülkelerde ve kırsal bölgelerde erişim zor olduğundan, teşhis edilmemiş katarakt büyük bir sorun oluşturmaktadır.
Yapay zeka destekli uzaktan teşhis platformları, bu erişim engellerini azaltabilir. Özellikle çocukluk çağı kataraktında, geri dönüşümsüz ambliyopiyi önlemek için hızlı teşhis son derece önemlidir.
Wu ve arkadaşlarının modeli: Yaklaşık 38.000 gözün yarık lamba fotoğraflarıyla eğitilmiştir. Katarakt tespiti ve şiddet sınıflandırmasında %95’in üzerinde duyarlılık ve özgüllük elde etmiştir. Nükleer sertliğin 3 seviyeli değerlendirmesinde de yaklaşık %80 duyarlılık ve özgüllük bildirilmiştir.
Li ve ark. (Visionome): Yarık lamba fotoğraflarından katarakt dahil ön segment hastalıklarını teşhis eder. %79,47–%99,22 doğruluk oranıyla, 1 yıllık klinik deneyime sahip göz doktorlarından daha iyi performans göstermiştir.
Fundus Fotoğrafı Tabanlı
Xu ve ark. modeli: Girdi olarak fundus fotoğraflarını kullanan CNN topluluk algoritması (AlexNet + VisualDN). Katarakt tespiti ve sınıflandırmasında %86,2 doğruluk elde etmiştir.
ResNet tabanlı model (Wu ve ark.): Kataraktlı lens, göz içi lensli göz ve normal göz olmak üzere üç aşamalı sınıflandırmada AUC 0,99’un üzerinde bildirilmiştir.
Wu ve arkadaşları, (1) akıllı telefonla kendi kendini izleme, (2) ön segment fotoğraflarıyla yapay zeka tanısı ve (3) bulut platformu kullanarak göz doktorlarının uzaktan konsültasyonu olmak üzere üç aşamalı bir model önermektedir. Bu sistem sayesinde bir göz doktorunun kapsadığı nüfusun 10 kat artırılabileceği belirtilmektedir. Göz hastalıklarında yapay zeka tanısı, 2016’da diyabetik retinopati taramasıyla ilgili bir makalenin yayınlanmasından bu yana fundus fotoğrafları ve arka segment OCT kullanılarak retina hastalıkları ve glokomda öncülük etmiş, ancak son yıllarda ön segment yarık lamba fotoğraflarına uygulanması ilerlemektedir.
QAkıllı telefonla katarakt tanısı konulabilir mi?
A
Araştırma aşamasında olmakla birlikte, akıllı telefonla çekilen ön segment görüntülerini yapay zeka ile analiz ederek kataraktın varlığını ve şiddetini belirleyen bir sistem önerilmiştir. Klinik uygulama için daha fazla doğrulama gerekmekle birlikte, uzak bölgelerde tarama amaçlı kullanılma potansiyeli vardır.
4. Göz İçi Lens Gücü Hesaplaması için Dijital Araçlar
Katarakt cerrahisinde doğru postoperatif refraksiyon sonucu hedeflenir. Geleneksel göz içi lens hesaplama formülleri, refraktif cerrahi geçirmiş gözlerde veya aşırı biyometrik değerlere sahip hastalarda yetersiz prediktif doğruluk göstermiştir. Yapay zeka destekli yeni nesil hesaplama formülleri bu sorunu ele almaktadır.
Geleneksel Formüllerin Yapay Zeka ile İyileştirilmesi
Sramka ve ark.: SVM regresyon modeli ve çok katmanlı sinir ağı topluluk modelini (MLNN-EM) değerlendirdi ve her ikisinin de geleneksel klinik yöntemlerden daha iyi tahmin doğruluğu sağladığını bildirdi
Ladas ve ark.: Mevcut göz içi lens formüllerine (SRK, Holladay I, Ladas Super formülü) denetimli öğrenme algoritmaları (SVR, XGB, ANN) ekleyerek tahminleri iyileştirdi
Yapay Zeka Tabanlı Yeni Nesil Göz İçi Lensi Hesaplama Formülleri
Karşılaştırmalı çalışmalarda sürekli ilk 3 performans
Hill-RBF
YSA tabanlı örüntü tanıma
Büyük ölçekli refraksiyon veri setini analiz eder
PEARL-DGS
ML + çıktının doğrusallaştırılması
Aşırı biyometrik değerlere ayarlama
Kane formülü, teoriye dayalı bir model ile regresyon analizi ve AI bileşenlerini birleştirir. Karşılaştırmalı çalışmalarda Barrett Universal II, Haigis, Olsen gibi 3. nesil formüllerden daha iyi performans göstermiş ve yeni nesil formüller arasında sürekli olarak ilk üçte yer almıştır. Aşırı aks uzunluğu vakalarında da makul sonuçlar verir.
Hill-RBF (radyal tabanlı fonksiyon), yapay sinir ağı tabanlı bir göz içi lens hesaplayıcısıdır ve büyük bir refraksiyon sonuç veri kümesini örüntü tanıma ve veri enterpolasyonu ile analiz eder.
PEARL-DGS formülü, makine öğrenimi modellemesi ve çıktıların doğrusallaştırılmasını kullanarak etkili lens pozisyonu tahmini ve aşırı biyometrik değerlere ayarlama yapar.
Karmona, veri odaklı bir göz içi lens gücü hesaplama yaklaşımıdır ve K-en yakın komşu, YSA, DVM, rastgele orman gibi birden fazla makine öğrenimi modeli kullanarak gücü tahmin eder.
QGöz içi lens hesaplamasında yapay zeka kullanmanın avantajları nelerdir?
A
Geleneksel göz içi mercek hesaplama formülleri belirli teorik modellere dayandığından, refraktif cerrahi sonrası gözlerde veya aşırı uzun/kısa aks uzunluğuna sahip vakalarda hata payı büyük olabiliyordu. Yapay zeka tabanlı formüller, büyük veri kümelerinden desenler öğrendiği için bu tür özel vakalarda bile yüksek tahmin doğruluğunu koruyabilir.
Katarakt cerrahisi, ön kapsülotomi, lens çekirdeği fakoemülsifikasyonu, korteks aspirasyonu ve göz içi lens implantasyonu gibi birkaç aşamadan oluşur. Yapay zeka kullanılarak cerrahi videoların otomatik analizi, her aşamanın tanımlanmasını sağlar.
Yu ve ark.: Video görüntülerine ek olarak cerrahi alet etiket bilgilerinin birleştirilmesiyle en yüksek doğrulukta aşama tespiti sağlanmıştır.
Quellec ve ark.: Gerçek zamanlı cerrahi görev tanıma yapabilen otonom bir video analiz sistemi geliştirilmiştir.
Aşamaların otomatik tanımlanması, cerrahi becerilerin aşama bazında değerlendirilmesi ve gerçek zamanlı geri bildirim için temel oluşturur.
Lanza ve arkadaşları, 73 hata içeren 1.229 katarakt ameliyatını analiz ederek intraoperatif komplikasyon risk faktörlerini tespit eden ve toplam ameliyat süresini tahmin eden bir AI modeli geliştirdi.
Eyesi (Haag-Streit), ticari olarak satılan bir oftalmoloji simülasyon tabanlı eğitim sistemidir ve sanal gerçeklik (VR) ile AI’yı birleştirerek akıllı eğitim sunar. Gerçek hastalarla karşılaşmadan önce öğrencilerin cerrahi becerileri kazanabileceği bir ortam sağlar.
AI’nın katarakt bakımına klinik olarak entegre edilmesi başarılı olursa, tıbbi verimliliğin artması, erişimin iyileşmesi ve maliyetlerin düşmesi gibi uzun vadeli faydalar beklenmektedir. Özellikle düşük gelirli gruplar bu faydalardan büyük ölçüde yararlanacaktır.
Ancak pratik uygulamaya geçilmesi için aşağıdaki zorluklar mevcuttur.
Etik veri yönetimi: Hasta verilerinin güvenliğinin ve gizliliğinin sağlanması
Genellenebilirliğin doğrulanması: Farklı ırklar, bölgeler ve cihazlar arasında performansın tutarlılığı
Klinik doğrulama eksikliği: AI sistemlerinin etkinliğini gerçek dünyada değerlendiren klinik çalışmaların sayısı yetersizdir
Yanlılığın ortadan kaldırılması: Eğitim verilerindeki dengesizlikler AI kararlarında sistematik hatalara yol açar
Kullanıcı kabulü: Sağlık çalışanları ve hastaların AI’ya olan güven ve anlayışının geliştirilmesi
Bugüne kadar klinik ortamda güvenilirliği kanıtlanmış algoritmalar yalnızca küçük bir kısımla sınırlıdır. AI sistemlerinin yararlılığını kanıtlamak için daha fazla randomize kontrollü çalışmaya ihtiyaç vardır.
QAI'nın katarakt teşhisi koyacağı gün yakın mı?
A
Araştırma düzeyinde yüksek doğruluk bildirilmiş olsa da, klinik uygulamaya tam entegrasyon için hâlâ zorluklar bulunmaktadır. Farklı popülasyonlar arasında genellenebilirliğin doğrulanması, büyük ölçekli klinik çalışmalarla etkinliğin kanıtlanması ve etik veri yönetiminin sağlanması zorunludur; yakın vadede, göz doktorlarının teşhisine yardımcı bir araç olarak kullanılması daha gerçekçidir.
Ahuja AS, Paredes AA 3rd, Eisel MLS, et al. Applications of Artificial Intelligence in Cataract Surgery: A Review. Clin Ophthalmol. 2024;18:2969-2975. PMID: 39434720.
GBD 2019 Blindness and Vision Impairment Collaborators; Vision Loss Expert Group of the Global Burden of Disease Study. Causes of blindness and vision impairment in 2020 and trends over 30 years, and prevalence of avoidable blindness in relation to VISION 2020: the Right to Sight: an analysis for the Global Burden of Disease Study. Lancet Glob Health. 2021;9(2):e144-e160. PMID: 33275949.
Wu X, Huang Y, Liu Z, et al. Universal artificial intelligence platform for collaborative management of cataracts. Br J Ophthalmol. 2019;103(11):1553-1560. PMID: 31481392.
Connell BJ, Kane JX. Comparison of the Kane formula with existing formulas for intraocular lens power selection. BMJ Open Ophthalmol. 2019;4(1):e000251. PMID: 31179396.
Roberts TV, Hodge C, Sutton G, Lawless M; Vision Eye Institute IOL outcomes registry contributors. Comparison of Hill-radial basis function, Barrett Universal and current third generation formulas for the calculation of intraocular lens power during cataract surgery. Clin Exp Ophthalmol. 2018;46(3):240-246. PMID: 28778114.
Yu F, Silva Croso G, Kim TS, et al. Assessment of Automated Identification of Phases in Videos of Cataract Surgery Using Machine Learning and Deep Learning Techniques. JAMA Netw Open. 2019;2(4):e191860. PMID: 30951163.
Thomsen ASS, Bach-Holm D, Kjærbo H, et al. Operating Room Performance Improves after Proficiency-Based Virtual Reality Cataract Surgery Training. Ophthalmology. 2017;124(4):524-531. PMID: 28017423.
Makale metnini kopyalayıp tercih ettiğiniz yapay zeka asistanına yapıştırabilirsiniz.
Makale panoya kopyalandı
Aşağıdaki yapay zeka asistanlarından birini açın ve kopyalanan metni sohbet kutusuna yapıştırın.
