Nowoczesne metody obrazowania w diagnostyce zapalenia rogówki

Rozwój nowoczesnych technologii obrazowania medycznego znacząco wpłynął na diagnostykę zapalenia rogówki, oferując nowe możliwości nieinwazyjnej i precyzyjnej oceny stanu rogówki¹². Te zaawansowane metody uzupełniają tradycyjne techniki diagnostyczne, a w niektórych przypadkach mogą je przewyższać pod względem dokładności i szybkości diagnozy.

Mikroskopia konfokalna in vivo (IVCM)

Mikroskopia konfokalna in vivo stanowi przełomową metodę obrazowania, która pozwala na mikroskopową ocenę poszczególnych warstw rogówki w rozdzielczości 2-4 mikrometrów³⁴. Ta nieinwazyjna technika obrazowania zapewnia obrazowanie tkanek rogówkowych w czasie rzeczywistym na poziomie mikrostrukturalnym⁵.

Zastosowanie w diagnostyce infekcji grzybiczych

IVCM wykazuje szczególną przydatność w diagnostyce grzybiczego zapalenia rogówki⁶⁷. Ogólna czułość i swoistość IVCM dla grzybiczego zapalenia rogówki wynosi odpowiednio 66-74% i 78-100%⁶. Zgłaszana czułość IVCM mieści się między 80% a 94%, a kilka badań porównujących czułość hodowli z IVCM wykazało, że IVCM jest lepsza lub równorzędna ze standardowymi procedurami diagnostycznymi⁷.

Diagnostyka infekcji pierwotniakowych

IVCM jest kluczowym testem diagnostycznym w przypadku zapalenia rogówki wywołanego przez Acanthamoeba, z ogólną czułością 80-100% i swoistością 84-100%⁶⁸. Cysty Acanthamoeba pojawiają się jako hiperrefleksyjne, sferyczne struktury, które są zwykle dobrze zdefiniowane ze względu na ich podwójną ścianę⁹. W porównaniu z hodowlą i PCR, IVCM wykazuje lepszą wydajność diagnostyczną⁸.

Ograniczenia IVCM

Głównym ograniczeniem IVCM jest jego osiowa rozdzielczość wynosząca 5-7 mikrometrów, co nie wystarcza do wykrywania bakterii (mniej niż 5 mikrometrów) i wirusów (w nanometrach)⁶. Z tego powodu IVCM jest głównie wykorzystywana w ocenie grzybiczego i pierwotniakowego zapalenia rogówki. W przypadku infekcji bakteryjnych czułość i swoistość IVCM wynosi odpowiednio 66,7% i 89,2%⁴.

Optyczna koherentna tomografia (OCT)

Optyczna koherentna tomografia segmentu przedniego (AS-OCT) zyskuje na znaczeniu jako narzędzie diagnostyczne w zapaleniu rogówki²⁶. Główną zaletą AS-OCT jest jej zdolność do dokładnego pomiaru głębokości i szerokości owrzodzeń rogówkowych, nacieków i zmętnienia w celu monitorowania postępu patologii rogówkowych, takich jak powierzchowne i głębokie infekcyjne zapalenie rogówki⁶.

OCT pozwala na obiektywną ocenę struktury rogówki i może być szczególnie przydatna w monitorowaniu odpowiedzi na leczenie oraz ocenie głębokości penetracji infekcji. Ta nieinwazyjna metoda obrazowania dostarcza szczegółowych informacji o architekturze rogówki, co może wpływać na decyzje terapeutyczne.

Sztuczna inteligencja w diagnostyce zapalenia rogówki

Zastosowanie sztucznej inteligencji (AI) w diagnostyce zapalenia rogówki reprezentuje najnowszy kierunek rozwoju w tej dziedzinie¹⁰¹¹. Wykorzystanie AI w opiece zdrowotnej stało się rzeczywistością dzięki postępowi mocy obliczeniowej, udoskonaleniu algorytmów uczących i architektur, dostępności dużych zbiorów danych oraz łatwemu dostępowi do głębokich sieci neuronowych¹⁰.

Systemy głębokiego uczenia (Deep Learning)

W przypadku infekcyjnego zapalenia rogówki wykorzystanie głębokiego uczenia z konwolucyjnymi sieciami neuronowymi (CNN) zostało uznane za potencjalnie bardziej dostępną metodę diagnostyczną poprzez rozpoznawanie obrazów¹⁰¹¹. System DeepIK, opracowany w badaniach, osiągnął obszar pod krzywą charakterystyki operacyjnej odbiornika (AUC) wynoszący 0,949, 0,970, 0,955, 0,994 i 0,979 odpowiednio dla klasyfikacji bakteryjnego, grzybiczego, wirusowego, pierwotniakowego i nieinfekcyjnego zapalenia rogówki¹².

Modele diagnostyczne CNN

Opracowano różne modele CNN do diagnostyki zapalenia rogówki¹³¹⁴. Model 1 różnicował osoby zdrowe od pacjentów z mikrobiologicznym zapaleniem rogówki i uzyskał dokładność oraz AUC wynoszące odpowiednio 99,3% i 1,0. Model 2 różnicował zapalenie grzybicze od bakteryjnego i osiągnął przybliżoną dokładność i AUC wynoszące odpowiednio 84% i 0,96¹³.

Diagnostyka oparta na smartfonach

Jednym z najbardziej obiecujących kierunków rozwoju jest diagnostyka zapalenia rogówki przy użyciu zdjęć wykonanych smartfonami¹⁴¹⁵. Model CNN wykorzystujący technologię smartfonów do przechwytywania niezbędnych fotografii do analizy wykazał ogólną dokładność dyskryminacji wynoszącą 0,838¹⁶. Dokładność dyskryminacji dla określonych podtypów wyniosła 0,81 dla pierwotniakowego, 0,82 dla bakteryjnego i 0,87 dla grzybiczego zapalenia rogówki¹⁶.

Ostatecznym celem jest stworzenie aplikacji na telefon komórkowy zasilanej AI, która umożliwi diagnozę przy użyciu obrazów z różnych kamer, w tym każdego rodzaju aparatu cyfrowego lub telefonu komórkowego¹⁵¹⁷. Ma to być dostępne i przyjazne dla użytkownika, aby mogło być używane w każdym miejscu na świecie bez specjalistycznego szkolenia w zakresie rogówki czy sprzętu¹⁵.

Wydajność systemów AI w porównaniu z ekspertami

Systemy AI wykazują obiecującą wydajność w porównaniu z doświadczonymi specjalistami¹⁸¹⁹. Pierwszy model, który rozróżniał między zdrowymi rogówkami a tymi z mikrobiologicznym zapaleniem rogówki, okazał się najbardziej dokładny, prawidłowo diagnozując ponad 99% przypadków¹⁸. Drugi model rozróżniał bakteryjne, grzybicze i pierwotniakowe w około 80% przypadków, osiągając dokładności odpowiednio 91%, 80% i 81%¹⁵.

Dla porównania, doświadczeni subspecjaliści rogówki prawidłowo różnicują takie przypadki w około 50% przypadków¹⁵, co pokazuje potencjalną przewagę systemów AI w diagnostyce różnicowej zapalenia rogówki.

Automatyczna diagnostyka zapalenia rogówki

Opracowano zautomatyzowane systemy diagnostyczne, takie jak metoda lokalizacji obiektów połączona z cost-sensitive deep attention convolutional neural network (OL-CDACNN)²⁰²¹. System OL-CDACNN osiągnął najlepszą wydajność w wykrywaniu zapalenia rogówki z AUC wynoszącym 0,998, czułością 98,6% i dokładnością 98,9% w wewnętrznym zestawie testowym²¹.

Opracowany zautomatyzowany model diagnostyczny może być zintegrowany z kamerami lamp szczelinowych w celu ułatwienia wczesnego wykrywania zapalenia rogówki w środowiskach o ograniczonych zasobach, gdzie okuliści są rzadkością, umożliwiając terminowe skierowanie pozytywnych przypadków i zapobiegając występowaniu ślepoty rogówkowej spowodowanej zapaleniem rogówki²¹.

Przyszłość diagnostyki obrazowej

Dalsze prace są potrzebne do zbadania i walidacji wydajności klinicznej tych modeli CNN w rzeczywistych placówkach opieki zdrowotnej z populacjami wieloetnicznymi w celu zwiększenia możliwości generalizacji modelu¹⁰. Wzmocnienie wydajności modeli wymaga współpracy z ośrodkami w Niemczech, Wielkiej Brytanii, Kanadzie, Stanach Zjednoczonych, Chinach, Ameryce Południowej, Indiach i na Bliskim Wschodzie w celu dodawania obrazów z różnorodnych populacji pacjentów¹⁵.

Nowoczesne metody obrazowania i sztuczna inteligencja otwierają nowe możliwości w diagnostyce zapalenia rogówki, oferując większą dokładność, szybkość i dostępność diagnostyki. Te technologie mają potencjał znacznego poprawienia opieki nad pacjentami, szczególnie w regionach o ograniczonym dostępie do specjalistów okulistów.