OPSÆTNING AF ØJENSYGDOMME MED HYBRID DYB LÆRINGSALGORITHMER FRA FUNDUS BILLEDER

Ifølge Verdenssundhedsorganisationens verdensomspændende rapport udgivet i 2020 har mindst 2,2 milliarder mennesker verden over i øjeblikket synshandicap, og mindst 1 milliard af dem har et synshandicap, som kan forebygges eller endnu ikke er blevet behandlet. Verden står over for betydelige øjensundhedsudfordringer, herunder uligheder i dækningen og kvaliteten af ​​øjenplejeforebyggelse, behandling og rehabiliteringstjenester, mangel på uddannede øjenplejeudbydere og dårlig integration af øjenplejetjenester i sundhedssystemerne, blandt andre.

Det er kendt, at mere end 80 % af alle synsforstyrrelser kan forebygges eller behandles. En øjenfundusundersøgelse skal udføres af en nethindespecialist for at stille en korrekt diagnose, men folk konsulterer kun en øjenlæge, når de føler ubehag. Mens symptomerne typisk udvikler sig så meget, at når først en sygdom opstår, hvilket resulterer i dyre behandlinger og operationer, er skaden ofte irreversibel, hvilket resulterer i synsnedsættelse eller endda permanent synstab.

Kunstig intelligens bruges til at studere og udvikle teorier og metoder, der kan hjælpe med at simulere og udvide menneskelig intelligens, som er blevet brugt inden for mange forskningsfelter såsom automatisk diagnose og medicin. I de senere år har krydsfeltet mellem kunstig intelligens (AI) teknologi og moderne medicin gjort effektiv og hurtig sygdomsscreening mulig. EyeCheckup er en automatiseret softwareenhed designet til at analysere digitale farvefotografier af øjenfundus for hurtigt at screene for nethinde- og optiske disksygdomme.

Hovedformålet med forskningen er at evaluere ydeevnen af ​​den automatiske screeningsalgoritme til at detektere styrbare retinale og optiske disc-sygdomme baseret på farvefundusbilleder og at bestemme dens følsomhed og specificitet over for mulige sygdomme. Til den kliniske validering af systemet vil billederne blive vurderet af øjenlæger, og resultaterne vil blive sammenlignet med den kunstige intelligens-algoritme.

Efter ekskluderinger vil denne undersøgelse tilmelde op til 1528 forsøgspersoner, der opfylder berettigelseskriterierne. Deltagere, der opfylder berettigelseskriterierne, vil blive rekrutteret efter at have indhentet skriftligt informeret samtykke fra primære sundhedsudbydere. Forsøgspersoner vil gennemgå fundusfotografering pr., Food and Drug Administration (FDA) godkendte, oftalmiske kameraer. Billeder vil blive taget i henhold til en specifik EyeCheckup-billedprotokol, der leveres til den oftalmiske kameraoperatør og derefter analyseret af EyeCheckup v2.0-enheden.

Metoder og værktøjer til brug i forskningen:

I. Fundus-fotooptagelse med ikke-mydriatiske kameraer: Optisk diskcentrerede og fovea-centrerede fundusbilleder vil blive taget med Canon CR-2 AF, Topcon TRC-NW400 og Optomed Aurora Non-mydriatic fundus-kameraer. For frivillige, hvis ikke-mydriatiske billeder ikke kan opnås, vil pupiludvidelse blive opnået ved at dryppe tropicamiddråber, og derefter tages billeder. Canon CR-2 AF, Topcon TRC-NW400 og Optomed Aurora Non-mydriatic fundus-kameraer, hvorfra der vil blive taget nethindebilleder, er CE-mærkede og FDA-godkendte.

Tester, der skal udføres:

I. Fundusbilleder opnået med tre forskellige kameraer fra hver frivillig inkluderet i undersøgelsen vil blive analyseret separat for både højre øje og venstre øje ved hjælp af EyeCheckup kunstig intelligens-algoritmen på kamerabaseret basis.

ii. Evaluering af Canon CR-2 AF-billeder af retina- og glaukom-specialister til klinisk validering af systemet og sammenligning af resultaterne,