Sztuczna inteligencja wspomagająca diagnozę w okulistyce (AI-OPHTH-CR)

TŁO I UZASADNIENIE:

Choroby okulistyczne stanowią istotne obciążenie zdrowia publicznego na całym świecie, w tym w Kostaryce. Jaskra dotyka ponad 80 milionów ludzi na świecie i jest drugą główną przyczyną nieodwracalnej ślepoty. Retinopatia cukrzycowa jest wiodącą przyczyną ślepoty u dorosłych w wieku produkcyjnym. Zaćma pozostaje najczęstszą przyczyną odwracalnego upośledzenia wzroku na świecie. W Kostaryce te schorzenia dotykają setki tysięcy osób, znacząco wpływając na jakość życia i produktywność ekonomiczną.

PROBLEM – Wyzwania w wykrywaniu:

Wczesne wykrywanie tych chorób jest kluczowe, ale napotyka na kilka wyzwań:

1. Jaskra we wczesnych stadiach jest bezobjawowa – pacjenci nie zauważają utraty wzroku, dopóki nie nastąpi znaczne, nieodwracalne uszkodzenie
2. Retinopatia cukrzycowa wymaga corocznych badań przesiewowych wszystkich pacjentów z cukrzycą, co przekracza dostępne możliwości okulistyczne
3. Interpretacja obrazów okulistycznych jest czasochłonna i podlega zmienności między obserwatorami
4. W warunkach o ograniczonych zasobach dostęp do ekspertów okulistów jest niewystarczający do przebadania wszystkich populacji zagrożonych

SZANSA – Sztuczna inteligencja:

Ostatnie postępy w uczeniu głębokim, szczególnie w konwolucyjnych sieciach neuronowych (CNN), wykazały niezwykłe możliwości w analizie obrazów medycznych. Badania opublikowane w JAMA, Nature i The Lancet wykazały, że systemy SI osiągają dokładność diagnostyczną porównywalną lub wyższą niż eksperci okuliści w przypadku retinopatii cukrzycowej (Gulshan i in., 2016), zwyrodnienia plamki związanego z wiekiem (De Fauw i in., 2018) i jaskry (Li i in., 2018).

ISTOTNA LUKA – Walidacja specyficzna dla populacji:

Jednak istnieje fundamentalny problem: większość systemów SI została opracowana i zwalidowana w populacjach azjatyckich, europejskich lub północnoamerykańskich. Te systemy mogą nie uogólniać się dobrze na populacje latynoamerykańskie z powodu:

• Różnych wzorców występowania chorób
• Różnych cech demograficznych (rozkład wieku, skład etniczny)
• Różnego sprzętu i protokołów stosowanych w praktyce klinicznej
• Różnych struktur systemów opieki zdrowotnej i przepływów pracy

Stosowanie systemów SI opracowanych gdzie indziej bez lokalnej walidacji jest naukowo wątpliwe i potencjalnie niebezpieczne. To badanie adresuje tę istotną lukę poprzez opracowanie i walidację systemu SI specjalnie dla populacji kostarykańskiej.

CELE BADANIA:

Cel główny:

Opracować i zwalidować system SI do automatycznego wykrywania i klasyfikacji głównych patologii okulistycznych (jaskra, zaćma, retinopatia cukrzycowa, inne choroby siatkówki) na podstawie wielomodalnych obrazów okulistycznych w populacji kostarykańskiej.

Cele szczegółowe:

1. Zbudować wysokiej jakości bazę referencyjną obejmującą ~15 000 obrazów okulistycznych z diagnozami zweryfikowanymi przez ekspertów
2. Opracować głębokie sieci neuronowe integrujące wiele modalności obrazowania i dane kliniczne
3. Zweryfikować wydajność modelu na 3 000 niezależnych obrazów, które nie były widziane podczas treningu
4. Przeanalizować uprzedzenia algorytmiczne i sprawiedliwość w podgrupach demograficznych i klinicznych

5. Ocenić wykonalność wdrożenia klinicznego w rzeczywistych przepływach pracy okulistycznej

   PROJEKT BADANIA:

   Typ: Retrospektywna walidacja technologii diagnostycznej

   Miejsce: Dwa ośrodki okulistyczne w Kostaryce

   • Miejsce 1: Asociados de Mácula y Vítreo de Costa Rica, San José (10 000 obrazów)
   • Miejsce 2: Centro Ocular, Heredia (5 000 obrazów)

   Populacja badana: Około 15 000 obrazów okulistycznych od pacjentów dorosłych (≥18 lat), którzy otrzymali opiekę w uczestniczących ośrodkach

   Modalności obrazowania:

   • Fotografia dna oka (kolor i autofluorescencja)
   • Optyczna koherentna tomografia (OCT) – segment tylny
   • Fotografia segmentu przedniego
   • Perymetria automatyczna (pola widzenia)
   • Wideo-OCT

   METODOLOGIA:

   Faza 1 – Ekstrakcja obrazów (miesiące 1-6):

   Wszystkie dostępne obrazy okulistyczne spełniające podstawowe kryteria włączenia (wiek ≥18 lat, odpowiednia modalność, wykonane podczas rutynowej opieki klinicznej) zostaną automatycznie wyodrębnione z PACS (Systemów Archiwizacji i Komunikacji Obrazów) w każdym ośrodku. Brak ograniczeń czasowych – wszystkie dostępne obrazy historyczne zostaną włączone, aby zmaksymalizować objętość i reprezentatywność danych.

   Faza 2 – Kompletna anonimizacja (miesiące 1-6):

   Rygorystyczny protokół anonimizacji:

   • Usunięcie wszystkich bezpośrednich identyfikatorów (imię i nazwisko, numer ID, adres, telefon, e-mail, numer historii choroby)
   • Przypisanie losowych anonimowych kodów do każdego obrazu
   • Przekształcenie potencjalnie identyfikujących danych: dokładna data urodzenia → grupa wiekowa (18-40, 41-60, 61-75, >75); dokładne daty → tylko rok
   • Utworzenie zaszyfrowanej tabeli łączenia przechowywanej lokalnie tylko na wypadek sytuacji etycznych (np. przypadkowe odkrycia wymagające powiadomienia pacjenta)

   Zachowane dane kliniczne (nieidentyfikujące):

   • Grupa wiekowa
   • Płeć
   • Diagnoza
   • Ciśnienie wewnątrzgałkowe (mmHg)
   • Najlepsza skorygowana ostrość wzroku
   • Wywiad w kierunku cukrzycy (tak/nie)
   • Niedawna operacja oka (tak/nie)

   Faza 3 – Ocena jakości i etykietowanie (miesiące 7-12):

   System podwójnego odczytu z arbitrażem:

   Krok 1: Przesiew jakościowy

   • Każdy obraz przejrzany pod kątem jakości diagnostycznej
   • Zaakceptowanie lub odrzucenie na podstawie ostrości, oświetlenia, pola widzenia, braku głównych artefaktów
   • Obrazy odrzucone trwale wykluczone

   Krok 2: Niezależny odczyt

   • Czytelnik 1 (Dr Marissé Masís Solano) niezależnie przypisuje diagnozę
   • Czytelnik 2 (Dr Erick Hernández Bogantes) niezależnie przypisuje diagnozę
   • Czytelnicy są zaślepieni względem ocen siebie nawzajem

   Krok 3: Arbitraż

   • Jeśli czytelnicy się zgadzają → diagnoza zapisana jako ostateczna
   • Jeśli czytelnicy się nie zgadzają → Arbitr (Dr Marissé Masís Solano) podejmuje ostateczną decyzję

   Uzasadnienie niezależności arbitra:

   Dr Masís spełnia wszystkie wymagania niezależności:

   • Obrazy nie pochodzą od jej własnych pacjentów (brak uprzedniego błędu)
   • Nie jest głównym badaczem (brak bezpośredniej presji na konkretne wyniki)
   • W pełni wykwalifikowany ekspert okulista
   • Zgodność ze standardami Dobrej Praktyki Klinicznej i wytycznymi FDA dotyczącymi opracowania urządzeń medycznych z SI

   Kategorie diagnostyczne:

   • Jaskra (otwartego kąta i zamykającego się kąta)
   • Zaćma (stopień ciężkości oceniany)
   • Retinopatia cukrzycowa (łagodna, umiarkowana, ciężka, proliferacyjna)
   • Zwyrodnienie plamki związane z wiekiem (suche vs mokre)
   • Zator żyły siatkówki
   • Obrzęk plamki
   • Norma/brak istotnej patologii
   • Inne istotne odkrycia

   Faza 4 – Podział danych (miesiąc 13):

   Stratyfikowany losowy podział zachowujący proporcje kategorii diagnostycznych:

   • Zbiór treningowy: 12 000 obrazów (80%)
   • Zbiór walidacyjny: 3 000 obrazów (20%)

   Ścisła separacja utrzymana – obrazy walidacyjne nigdy nie widziane przez model podczas treningu.

   Faza 5 – Opracowanie i trening modelu (miesiące 13-15):

   Architektura:

   • Głębokie konwolucyjne sieci neuronowe (ResNet, EfficientNet, Transformery Wizyjne)
   • Transfer learning z modeli wstępnie wytrenowanych na ImageNet
   • Fuzja wielomodalna: cechy obrazu + dane kliniczne

   Proces treningu:

   • Model iteracyjnie uczy się przewidywać diagnozy z obrazów + danych klinicznych
   • Techniki regularyzacji zapobiegające przeuczeniu (dropout, augmentacja danych, wczesne zatrzymanie)
   • Optymalizacja hiperparametrów w celu znalezienia najlepszej konfiguracji

   Faza 6 – Walidacja zewnętrzna (miesiące 16-18):

   Model testowany na 3 000 obrazach walidacyjnych, których nigdy nie widział podczas treningu.

   Metryki wydajności (obliczane dla każdej kategorii choroby):

   • Czułość (współczynnik prawdziwie pozytywnych)
   • Swoistość (współczynnik prawdziwie negatywnych)
   • Wartość predykcyjna dodatnia (precyzja)
   • Wartość predykcyjna ujemna
   • Ogólna dokładność
   • F1-score
   • Pole pod krzywą ROC (AUC-ROC)

   Kryteria sukcesu (ustalone wcześniej):

   • AUC ≥ 0.90 dla każdej głównej patologii
   • Czułość ≥ 85%
   • Swoistość ≥ 85%

   Analiza podgrup:

   Wszystkie metryki obliczone dla podgrup:

   • Według płci (mężczyzna vs kobieta)
   • Według grupy wiekowej
   • Według ciężkości choroby
   • Według ośrodka (Miejsce 1 vs Miejsce 2)
   • Według urządzenia rejestrującego

   Analiza sprawiedliwości:

   Testy statystyczne w celu wykrycia różnic w wydajności między podgrupami. Kryterium: brak klinicznie istotnej różnicy (różnica AUC <0.05) między podgrupami demograficznymi.

   Analiza błędów:

   Badacze okuliści ręcznie przejrzą wszystkie błędy modelu, aby zidentyfikować:

   • Zrozumiałe błędy (naprawdę niejednoznaczne przypadki)
   • Poważne błędy (całkowicie błędne diagnozy)
   • Systematyczne wzorce błędów

   Faza 7 – Analiza uprzedzeń (miesiące 19-21):

   Kompleksowa ocena uprzedzeń algorytmicznych:

   • Uprzedzenia związane z płcią
   • Uprzedzenia związane z wiekiem
   • Uprzedzenia związane z ciężkością choroby
   • Uprzedzenia związane ze sprzętem
   • Uprzedzenia związane z ośrodkiem

   Faza 8 – Dokumentacja i rozpowszechnianie (miesiące 22-24):

   • Przygotowanie manuskryptu do publikacji (docelowe czasopisma: JAMA Ophthalmology, Ophthalmology, Lancet Digital Health)
   • Dokumentacja techniczna
   • Raporty dla organów zdrowia
   • Prezentacje konferencyjne

   ANALIZA STATYSTYCZNA:

   Uzasadnienie wielkości próby:

   Przy 3 000 obrazach walidacyjnych i szacunkowo ~750 przypadkach na główną kategorię diagnostyczną:

   • Moc >90% do wykrycia AUC 0.90 vs hipoteza zerowa 0.80
   • 95% przedziały ufności dla AUC o szerokości ≤0.05
   • 95% CI dla czułości 85%: 82-88% (przy 750 przypadkach pozytywnych)
   • 95% CI dla swoistości 90%: 89-91% (przy 2 250 przypadkach negatywnych)

   Te wąskie przedziały ufności pozwalają na precyzyjne wnioski dotyczące prawdziwej wydajności modelu.

   Analiza pierwotna:

   • Krzywe ROC z metodą DeLong do porównania AUC
   • 95% przedziały ufności dla wszystkich metryk wydajności
   • Test McNemara do porównania błędów modelu vs człowieka w przypadkach rozbieżnych

   Analizy wtórne:

   • Porównanie wydajności między ośrodkami
   • Analizy podgrup (płeć, wiek, ciężkość, urządzenie)
   • Analiza wieloczynnikowa czynników wpływających na wydajność modelu

   ZAGADNIENIA ETYCZNE:

   Wniosek o zwolnienie z świadomej zgody:

   To badanie wystąpi o zwolnienie z świadomej zgody na podstawie:

1. Minimalnego ryzyka (brak interwencji, brak kontaktu z pacjentem, brak modyfikacji leczenia)
2. Praktycznej niemożliwości (15 000 obrazów od tysięcy pacjentów na przestrzeni lat – wielu nieosiągalnych)
3. Kompletnej anonimizacji (dane nie kwalifikują się jako „dane osobowe” według przepisów międzynarodowych)
4. Znacznej korzyści społecznej (potencjał poprawy wykrywania chorób prowadzących do ślepoty w całej populacji Kostaryki)
5. Precedensu naukowego (praktycznie wszystkie duże retrospektywne badania rozwoju SI działają na podstawie zwolnienia z zgody)
6. Zachowania praw pacjentów (pacjenci mogą zażądać wykluczenia danych)

Bezpieczeństwo danych:

• Przechowywanie: Google Cloud Platform z certyfikacją HIPAA
• Szyfrowanie: AES-256 w spoczynku, TLS 1.3 w tranzycie
• Dostęp: Wymagane uwierzytelnianie wieloskładnikowe
• Ślad audytu: Kompletne logowanie wszystkich działań
• Przechowywanie: 5 lat po publikacji, następnie bezpieczne zniszczenie

Protokół przypadkowych odkryć:

Jeśli badacz zidentyfikuje wcześniej niezdiagnozowaną poważną patologię:

1. Badacz powiadamia głównego badacza ośrodka (PI)
2. PI ośrodka używa lokalnej zaszyfrowanej tabeli łączenia, aby zidentyfikować pacjenta
3. PI ośrodka kontaktuje się z oryginalnym lekarzem prowadzącym
4. Lekarz prowadzący decyduje, czy skontaktować się z pacjentem
5. Odkrycie i działanie dokumentowane

OGRANICZENIA:

Uznane ograniczenia:

1. Projekt retrospektywny – zależny od jakości historycznej dokumentacji, nie można standaryzować rejestracji obrazów
2. Tylko dwa ośrodki – wyniki mogą nie idealnie uogólniać się na inne ośrodki z różnym sprzętem lub populacjami
3. Specyficzność dla populacji kostarykańskiej – wyniki specyficzne dla lokalnej demografii i częstości występowania (ale to jest dokładnie cel!)
4. „Złoty standard” od ekspertów ludzkich, którzy są omylni – złagodzone przez system podwójnego odczytu + arbitrażu

ŁAGODZENIE RYZYKA:

Plany na potencjalne ryzyka:

• Niewystarczająca objętość obrazów → faza pilotażowa do kalibracji kryteriów jakości; rozważenie dodatkowych ośrodków w razie potrzeby
• Nadmierna rozbieżność między czytelnikami → sesje kalibracyjne w celu wyrównania kryteriów
• Niewystarczająca wydajność modelu → iteracja z zaawansowanymi architekturami, bardziej agresywna augmentacja
• Niewykryte uprzedzenia → kompleksowa analiza sprawiedliwości zaprogramowana z góry
• Naruszenie bezpieczeństwa danych → infrastruktura zgodna z HIPAA, kwartalne audyty bezpieczeństwa, plan reagowania na incydenty

PRZYSZŁE WDROŻENIE:

To jest tylko opracowanie i walidacja, a nie wdrożenie kliniczne.

Jeśli walidacja się powiedzie, Faza 2 będzie obejmować:

• Prospektywne badanie kontrolowane
• Ocenę rzeczywistego wpływu klinicznego: Czy wsparcie SI poprawia wskaźniki wykrywania? Zmienia postępowanie z pacjentem? Poprawia wyniki?
• Pomiar akceptowalności przez klinicystów i pacjentów
• Ocenę efektywności kosztowej

Proponowany scenariusz użycia klinicznego (przyszłość):

1. Pacjent oceniany podczas rutynowej wizyty okulistycznej
2. Standardowe obrazy diagnostyczne wykonane (fotografia dna oka, OCT, pola widzenia)
3. Obrazy automatycznie wysłane do systemu SI
4. System analizuje obrazy w ciągu sekund i generuje raport
5. Okulista przegląda obrazy + raport SI

6. Okulista podejmuje ostateczną decyzję kliniczną (SI jest asystentem, a nie zastępstwem)

   Zabezpieczenia:

   - Lekarz człowiek zawsze podejmuje ostateczną decyzję

   • System wskazuje poziom pewności dla każdej predykcji
   • Alarmy niskiej pewności wyzwalają rekomendację drugiej opinii ludzkiej
   • Śledzenie zgodności człowiek-SI do monitorowania wydajności

   Cigłe monitorowanie (jeśli wdrożone):

   - Kwartalna ocena wydajności

   • Coroczne ponowne trenowanie z nowymi danymi
   • Aktualizacja przy pojawieniu się nowego sprzętu lub modalności obrazowania

   OCZEKIWANE WKŁADY:

   Naukowe:

   - Pierwszy model SI w okulistyce zwalidowany specjalnie w populacji kostarykańskiej

   - Rygorystyczna metodologia replikowalna przez inne kraje latynoamerykańskie

   • Wysokiej jakości baza referencyjna (15 000 obrazów zweryfikowanych przez ekspertów)
   • Publikacje w czasopismach o wysokim wpływie

   Kliniczne:

   - Potencjalne narzędzie wspomagające diagnostykę (jeśli walidacja się powiedzie)

   - Ustandaryzowane kryteria diagnostyczne

   • Materiały edukacyjne

   Polityka zdrowotna:

   - Dowody dla decyzji regulacyjnych dotyczących oprogramowania medycznego z SI

   • Model podejścia „najpierw lokalna walidacja”
   • Przykład współpracy publiczno-prywatnej

   Edukacyjne:

   • Szkolenie lokalnych talentów w medycznej SI
   • Świadomość uprzedzeń algorytmicznych w technologii opieki zdrowotnej

   REFERENCJE:

   Kluczowe badania wykazujące możliwości SI w okulistyce:

   • Gulshan V, i in. Opracowanie i walidacja algorytmu uczenia głębokiego do wykrywania retinopatii cukrzycowej na fotografiach dna oka. JAMA. 2016;316(22):2402-2410.
   • De Fauw J, i in. Klinicznie stosowalne uczenie głębokie do diagnozy i skierowania w chorobach siatkówki. Nat Med. 2018;24(9):1342-1350.
   • Li Z, i in. Skuteczność systemu uczenia głębokiego w wykrywaniu jaskrowej neuropatii nerwu wzrokowego na podstawie kolorowych fotografii dna oka. Ophthalmology. 2018;125(8):1199-1206.