Metody przewidywania progresji AMD – nowoczesne technologie

Przewidywanie progresji zwyrodnienia plamki żółtej przechodzi obecnie prawdziwą rewolucję dzięki zastosowaniu zaawansowanych technologii. Tradycyjne metody kliniczne, choć nadal ważne, ustępują miejsca systemom opartym na sztucznej inteligencji, które oferują znacznie wyższą dokładność prognozowania.

Tradycyjne standardy kliniczne

Przez lata podstawą oceny ryzyka progresji AMD była skala AREDS (Age-Related Eye Disease Study), która stanowi obecnie kliniczny standard w przewidywaniu rozwoju zaawansowanej formy choroby¹². Ta uproszczona skala łączy czynniki ryzyka z obu oczu, generując ogólny wynik dla pacjenta na podstawie obecności jednej lub więcej dużych grudek i/lub nieprawidłowości pigmentowych AMD w plamce każdego oka².

Skala AREDS jest klinicznie użyteczna, ponieważ pozwala okulistom przewidzieć 5-letnie ryzyko rozwoju późnej formy AMD u danej osoby². Pacjenci są klasyfikowani w 5 kategoriach (0-4) na podstawie charakterystyk widocznych na kolorowych zdjęciach dna oka, które szacują prawdopodobieństwo progresji do późnego stadium AMD¹.

Systemy głębokiego uczenia maszynowego

Przełomem w prognozowaniu AMD stało się zastosowanie głębokiego uczenia maszynowego do analizy obrazów dna oka. Te zaawansowane systemy osiągnęły wysoką dokładność prognostyczną, z 5-letnim wskaźnikiem C-statistic wynoszącym 86,4% (95% przedział ufności 86,2-86,6), co znacząco przewyższa dokładność specjalistów siatkówki używających dwóch istniejących standardów klinicznych – odpowiednio 81,3% (81,1-81,5) i 82,0% (81,8-82,3)³⁴.

Analiza obrazowa oparta na głębokim uczeniu zapewnia dokładniejsze przewidywania niż te pochodzące od specjalistów siatkówki wykorzystujących dwa istniejące standardy⁵. Co więcej, podejście to oferuje dodatkowe mocne strony w porównaniu z istniejącymi standardami klinicznymi w prognozowaniu AMD, takie jak ocena ryzyka powyżej 50% oraz wysoką uogólnialność dzięki szerokiemu zakresowi danych treningowych z 82 amerykańskich klinik specjalistycznych siatkówki⁶.

Analiza danych longitudinalnych

Badania wykazały, że uwzględnienie danych longitudinalnych (z wielu wizyt w czasie) poprawia wydajność przewidywania progresji AMD⁷. W badaniu AREDS stwierdzono, że modele wykorzystujące dane z wizyt w latach 0, 2 i 3 działają lepiej niż modele używające tylko danych z roku 3⁷.

Jednak w przypadku zaawansowanych cech obrazowych sytuacja wygląda inaczej. Uwzględnienie danych longitudinalnych z funkcji dostrojonych nie pomaga w przewidywaniu ryzyka rozwoju późnej formy AMD – wystarczająca jest tylko najnowsza wizyta⁸. Niemniej jednak uwzględnienie danych longitudinalnych i modelowanie zależności czasowych przy użyciu modeli LSTM poprawiło przewidywanie bardziej bezpośrednie⁸.

Komercyjne systemy diagnostyczne

FDA niedawno zatwierdziła iPredict AMD, narzędzie głębokiego uczenia dostępne na rynku, które może wykryć AMD wymagające skierowania z 88% dokładnością⁹. To narzędzie może również przewidzieć indywidualny wskaźnik ryzyka rozwoju późnej formy AMD w ciągu 1 i 2 lat⁹.

Model przewidywania 2-letniego incydentalnego późnego AMD osiągnął 86,36% dokładności, ze znacząco niższą wydajnością, gdy miał być wykryty specyficzny typ późnego AMD (mokry lub suchy)⁹. Podczas gdy model uzyskał dobre wyniki w przewidywaniu rozwoju zaniku geograficznego (AUC 0,80), rozwój neowaskularyzacji plamkowej nie był tak niezawodnie przewidywany (AUC 0,68)⁹.

Uczenie wielozadaniowe i ekstrakcja cech

Badania pokazują, że uczenie wielozadaniowe może być wykorzystane do ekstrakcji cech obrazowych, które są wysoce predykcyjne dla rozwoju późnej formy AMD⁸. Te ekstrahowane cechy są bardziej predykcyjne niż cechy pozyskane przez ekspertów oceniających, które są pracochłonne i kosztowne w generowaniu⁸.

Modele głębokiego uczenia przewyższają liniowe modele CoxPH w bardziej informatywnych zestawach danych klinicznych. Możliwe jest, że modele głębokiego uczenia znajdują bardziej wskazujące interakcje między surowymi cechami niż tradycyjne transformacje danych⁸.

Walidacja i uogólnialność modeli

Kluczowym aspektem nowoczesnych systemów prognozowania jest ich zdolność do zachowania wysokiej dokładności w różnych populacjach pacjentów. Podczas zewnętrznej walidacji poprzez trening na danych AREDS i testowanie na AREDS2 jako niezależnej kohorcie, modele głębokiego uczenia zachowały znacząco wyższą dokładność prognostyczną niż istniejące standardy kliniczne¹¹.

Te wyniki podkreślają potencjał systemów głębokiego uczenia w usprawnianiu podejmowania decyzji klinicznych u pacjentów z AMD³¹¹. Modele te mogą być wykorzystane do wspomagania klinicystów w stratyfikacji pacjentów z wczesną formą AMD na podstawie ryzyka progresji do późnego stadium⁸.