sięgający w kierunku szeroko pojętych dyscyplin, w tym: neuronauki, techniki pomiarowej, a nawet sportu. Jednak jej centralną część nadal stanowi pomiar stanu refrakcji oka.
Pomiar stanu refrakcji oka jest tym ważniejszy, że nieskorygowane wady refrakcji, wynikające z nieprawidłowego ogniskowania światła na siatkówce, pozostają najczęstszą przyczyną – odwracalnego na szczęście – pogorszenia widzenia na świecie, istotnie wpływając na funkcjonowanie i jakość życia ludzi. Szczególne znaczenie ma krótkowzroczność, która już dotyczy około 2 miliardów osób, czyli 28% światowej populacji. W tej grupie u około 277 milionów osób występuje wysoka krótkowzroczność (< -5 dpt.), która może prowadzić nawet do utraty wzroku [1, 2].
Za szybkim wzrostem liczby osób potrzebujących nie nadąża wzrost liczby specjalistów od wzroku. Sytuacja wygląda bardzo odmiennie w różnych częściach świata. W regionach o ograniczonych zasobach problemem jest niedostatek urządzeń pomiarowych i wykwalifikowanego personelu, a także ograniczony dostęp do badań kontrolnych i niedrogich pomocy optycznych. Problem dotyczy szczególnie dzieci, u których refrakcja szybko może się zmieniać wraz z wiekiem. Z kolei w krajach rozwiniętych wyzwaniem jest rosnąca częstość krótkowzroczności, wiązana m.in. z intensywną pracą wzrokową z bliska, krótszym czasem spędzanym na zewnątrz oraz różnymi czynnikami środowiskowymi.
Sztuczna inteligencja potencjalnie może stworzyć nowe możliwości diagnostyki, przewidywania i monitorowania wad refrakcji. Przykłady to m.in.: modele prognostyczne rozwoju wad na podstawie danych z różnych źródeł, rozpoznawanie złożonych zależności pomiędzy danymi multimodalnymi, klasyfikacja danych medycznych, wsparcie w edukacji pacjentów czy rehabilitacji wzroku. Narzędzia oparte na AI mogą także wspierać tanie i skalowalne badania przesiewowe, zwłaszcza tam, gdzie brakuje specjalistów. Ułatwiają one wczesne wykrywanie wad, kwalifikowanie pacjentów do dalszej diagnostyki oraz ocenę ryzyka progresji krótkowzroczności i jej powikłań.
Ważna uwaga terminologiczna: sztuczna inteligencja (AI, ang. artificial intelligence) jest pojęciem nadrzędnym, obejmującym systemy komputerowe wykonujące zadania wymagające zwykle ludzkich zdolności poznawczych, takich jak; rozpoznawanie obrazów, podejmowanie decyzji, rozumienie języka czy planowanie. Uczenie maszynowe (ML, ang. machine learning) stanowi część AI i polega na tworzeniu algorytmów, które uczą się zależności na podstawie danych, zamiast działać wyłącznie według ręcznie zapisanych reguł. Przykładami są filtry antyspamowe, systemy rekomendacji filmów i produktów oraz modele oceniające ryzyko kredytowe. Uczenie głębokie (DL, ang. deep learning) jest poddziedziną ML wykorzystującą wielowarstwowe sieci neuronowe. Szczególnie dobrze sprawdza się w analizie obrazów, dźwięku i języka. Uczenie głębokie jest stosowane m.in. w rozpoznawaniu twarzy, transkrypcji mowy, systemach wspomagania kierowcy i analizie obrazów medycznych. Generatywna sztuczna inteligencja (ang. Generative AI, w skrócie: GenAI) obejmuje modele tworzące nowe treści, takie jak: tekst, obrazy, muzyka, kod komputerowy lub materiały wideo. Nie ogranicza się więc do klasyfikowania danych, lecz generuje wyniki na podstawie wzorców poznanych podczas treningu. Duże modele językowe (LLM, ang. large language models) są szczególną klasą generatywnej AI, wytrenowaną na bardzo dużych zbiorach tekstów. Potrafią one: odpowiadać na pytania, streszczać dokumenty, tłumaczyć, redagować treści i wspomagać programowanie.
Te pojęcia są zatem uporządkowane hierarchicznie: DL należy do ML, ML do AI, natomiast LLM to jeden z rodzajów generatywnych modeli głębokiego uczenia [3].
W dalszej części artykułu przyjrzymy się kilku przykładom wykorzystania AI w zakresie oceny lub wyznaczania refrakcji oka – z różnych kategorii, ze sporej już listy opublikowanych prac naukowych [4, 5].
Wyznaczanie wady refrakcji
Współczesne autorefraktometry potrafią określić chwilową refrakcję oka z dokładnością rzędu 0,01 dpt. Wydaje się, że AI nie ma tu zastosowania, chyba że jako dodatek w procesie pomiaru, np. do komunikacji z pacjentem czy prawidłowego, automatycznego ustawiania aparatu względem oka. Od dawna jednak istnieją przekonania, że: po pierwsze – wada refrakcji przejawia się w nieco zmienionej budowie oka, a po drugie – gdy nie ma się do dyspozycji specjalistycznego urządzenia, wówczas można oszacować wadę wzroku w formie badania przesiewowego, korzystając z innych dostępnych narzędzi.
Podjęto już szereg prób wyznaczania wady refrakcji (głównie krótkowzroczności) na podstawie różnych rodzajów obrazów oka. Najczęściej analizowane są barwne fotografie dna oka, wykonywane klasycznymi funduskamerami oraz aparatami szerokokątnymi. Modele rozpoznają w nich cechy związane m.in. z wielkością i wyglądem tarczy nerwu wzrokowego, przebiegiem naczyń, strukturą plamki oraz zmianami wynikającymi z wydłużenia gałki ocznej. Przy okazji warto dodać, że samo ustawienie ostrości w aparacie fotograficznym podczas rejestracji zdjęcia także może dać użyteczny wynik.
Przykładem może być praca Zou i wsp. z 2022 r. [6], w której retrospektywnie analizowano 7873 zdjęcia dna oka, wybrane z 11 973 fotografii 6086 pacjentów Tianjin Eye Hospital w Chinach. Zdjęcia dna oka wykonano funduskamerą Canon CR-2 AF wyposażoną w aparat fotograficzny EOS 70D. Zastosowano hybrydowy system FMDLS (ang. fusion model-based deep learning system – system głębokiego uczenia oparty na modelu fuzyjnym), łączący neuronowe sieci konwolucyjne CNN (ang. convolutional neural networks), tzw. transfer learning i specjalną bibliotekę XGBoost. Oprócz obrazów dna oka wykorzystano także dodatkowy parametr – wiek pacjenta. Do uczenia sieci zastosowano zanotowaną w kartach pacjentów refrakcję po cykloplegii. Ostatecznie średni błąd wyniósł 0,50 dpt. dla sfery i 0,31 dpt. dla cylindra, zaś dokładność klasyfikacji osi astygmatyzmu osiągnęła 89%. Nie jest to może imponująca dokładność, ale trzeba pamiętać, że to dopiero początki takich analiz oraz że związek pomiędzy obrazem dna oka a wadą refrakcji uznaje się za dość luźny.
Kolejną grupę danych obrazowych stanowią obrazy fotorefrakcyjne. Fotorefrakcja jest obiektywną metodą oceny wady refrakcji na podstawie analizy światła odbitego od siatkówki i widocznego w obrębie źrenicy po oświetleniu oka źródłem umieszczonym w pobliżu aparatu fotograficznego (często w świetle podczerwonym). Kształt, położenie i rozkład jasności refleksu źrenicznego pozwalają oszacować wartość oraz rodzaj wady, w tym krótkowzroczność, nadwzroczność i astygmatyzm. Istnieje kilka odmian tej techniki: ortogonalna, izotropowa i ekscentryczna, przy czym obecnie najczęściej stosowana jest
metoda ekscentryczna.
Czytelnicy znają na pewno modele takie jak np. Plusoptix A12R (https://www.plusoptix.com/autoref/), MediWorks Vision Screener V100 (https://www.mediworks.biz/vision-screener/v100-vision-screener. Choć są one najczęściej wykorzystywane do badań przesiewowych, producenci deklarują ich wysoką dokładność pomiarową. Rzeczywista precyzja uzyskiwanych wyników oraz możliwości wykorzystania tych urządzeń w diagnostyce są przedmiotem badań naukowych [7]. Przyczyną jest trudność w przełożeniu rozkładu natężenia światła w źrenicy, uzyskanego w dość niesprzyjających warunkach, bo z daleka. Część producentów wymienionych urządzeń już ogłasza, że wykorzystuje sztuczną inteligencję do poprawienia detekcji właściwej wartości refrakcji.
Zdjęcia oczu wykonywane smartfonem hipotetycznie także mogłyby być podstawą „pomiaru” refrakcji. Przykładem jest praca Syauqie i wsp. z 2025 r. [8]. Analizowano w niej 2139 obrazów oczu 952 pacjentów Publicznego Szpitala Okulistycznego w Pekanbaru w Indonezji. Zdjęcia refleksu źrenicznego wykonywano 12-megapikselowym aparatem smartfona iPhone 6s, bez cykloplegii, w zaciemnionym pomieszczeniu, z odległości około 50–60 cm. Sieć CNN klasyfikowała obrazy do trzech grup: krótkowzroczność, znaczną nadwzroczność, nieistotną wadę lub obraz nieklasyfikowalny, jednak bez wyznaczania refrakcji w dioptriach. W takim uproszczonym trybie uzyskano dokładność testową na poziomie 91%, precyzję 96%, czułość 98% i AUC 0,9896, co jest w miarę przyzwoitym wynikiem.
Ciekawą modyfikację fotorefrakcji zaproponowano w artykule Xu i wsp. z 2022 r. [9]. Analizowano 3103 osoby w wieku 18–56 lat, uzyskując 6074 zestawy obrazów źrenic. Zdjęcia fotorefrakcyjne wykonano kamerą Basler ace 2 w podczerwieni (850 nm) z sześciu kierunków, a refrakcję referencyjną zmierzono autorefraktometrem Topcon RM-800. Stosowano kilka różnych metod z użyciem różnych kombinacji i struktur sieci neuronowych. Średni błąd wyniósł 0,174 dpt. dla sfery, 0,070 dpt. dla cylindra i 0,184 dpt. dla ekwiwalentu sferycznego, zaś wysoką krótkowzroczność wykrywano z dokładnością 97,1%.
Podjęto także próby predykcji refrakcji na podstawie skanów OCT tylnego odcinka oka, zawierających informacje o strukturze siatkówki, naczyniówki i geometrii gałki ocznej. Dane obrazowe mogą być łączone z wiekiem, płcią, długością osiową i innymi parametrami klinicznymi, doprecyzowując przewidywania na podstawie danych populacyjnych. OCT jako technika nie zastąpi raczej autorefraktometrii, ale możliwość określenia choćby przybliżonej wady na jej podstawie może rozszerzyć możliwości diagnostyczne.
Obecne próby nie są jeszcze udane, czego dowodzi praca Jain i wsp. z 2024 r. [10]. Do treningu wykorzystano łącznie obrazy 2744 oczu wykonane w dwóch ośrodkach (B&VIIT Eye Center w Seulu oraz Poona Eye Care w Puna w stanie Maharasztra, Indie) za pomocą dwóch urządzeń: Topcon 3D OCT-1 Maestro (oczy: 2602) oraz Cirrus HD-OCT 500 (oczy: 142). Wykorzystano klasyczną, sprawdzoną, konwolucyjną sieć neuronową ResNet50, wstępnie wytrenowaną na zbiorze ImageNet. Następnie zastosowano dodatkowy trening – model uczono na dużym koreańskim zbiorze, po czym dostrajano na niewielkim zbiorze indyjskim. Tworzono osobne wersje modeli dla różnych typów skanów, a także dwa rodzaje warstw wyjściowych: jedną do klasyfikacji wady wzroku, bazując na ekwiwalencie sferycznym (wysoka krótkowzroczność: SE ≤ −6,00 dpt., mała lub umiarkowana krótkowzroczność: −6,00 dpt. < SE < 0,00 dpt., nadwzroczność: SE ≥ 0,00 dpt.), a drugą do liczbowego przewidywania ekwiwalentu sferycznego. Najlepszy model, oparty na skanach okołotarczowych, przewidywał ekwiwalent sferyczny z błędem MAE (ang. mean absolute error – średni błąd bezwzględny) wynoszącym 1,58 dpt., zaś dokładność klasyfikacji refrakcji wyniosła 74,7%. Nie są to, łagodnie mówiąc, wyniki imponujące, ale wcześniejsza praca z 2022 r. autorstwa Yoo i wsp., realizowana przez ten sam zespół w tym samym ośrodku w Korei, uzyskała znacznie gorszy wynik: MAE wyniosło 2,66 dpt., a korelacja z refrakcją referencyjną – 0,588 [11].
Podsumowanie
Sztuczna inteligencja stanowi cenne narzędzie w transformacji diagnostyki i leczenia wad refrakcji, z potencjalnymi zastosowaniami obejmującymi szeroki zakres działań, w tym predykcję refrakcji. Pomimo pewnych postępów przed dalszą integracją z praktyką kliniczną należy rozwiązać szereg problemów, z których zasadnicze to ograniczone zbiory i brak standaryzacji danych walidacyjnych. Rodzi to wątpliwości dotyczące przydatności tych algorytmów w rzeczywistych warunkach i z bardziej zróżnicowanymi populacjami pacjentów. Modele sztucznej inteligencji są podatne na błędy, które często wynikają z jakości i składu danych treningowych, słabo reprezentujących określone populacje. Co więcej, obserwacje odstające w danych mogą nieproporcjonalnie wpływać na modele AI, prowadząc do przewidywań lub wyników, które są mniej adekwatne dla szerszej populacji.
Chociaż modele sztucznej inteligencji mają duży potencjał w zakresie odkrywania ukrytych relacji w danych (np. multimodalnych, łączonych z różnych źródeł), to jednak pojawia się problem „czarnej skrzynki”, gdy modele nie potrafią wyjaśnić przyczyn leżących u podstaw procesów decyzyjnych. Pewien postęp w rozwiązaniu tego problemu poczyniono dzięki rozwojowi wyjaśnialnej sztucznej inteligencji (XAI, ang. explainable AI) [12], analizie ważności cech oraz ulepszonym narzędziom do wizualizacji modeli, jednak konieczne są dalsze udoskonalenia, aby poprawić skalowalność i użyteczność tych metod w celu ich powszechnego zastosowania klinicznego [13].
Kolejna bariera to cena. Korzystanie z potencjału cyfrowych technologii AI nie jest tanie, więc prognozuje się, że ich znaczenie będzie wzrastać głównie w rejonach bardziej rozwiniętych, przy czym zakładam, że Polska jest takim właśnie rejonem. Równie ważne są też aspekty etyczne, związane z prywatnością pacjentów i bezpieczeństwem ich danych.
Nie pozostaje nam nic innego, jak przyglądać się rozwojowi AI w zakresie wzroku jako uzupełnieniu opieki specjalistycznej. Może już niedługo wada wzroku będzie na bieżąco oceniana, np. kamerą podczas wchodzenia do przychodni… [14].
prof. dr hab. Jacek Pniewski
Akademickie Centrum Kształcenia Optometrystów Wydział Fizyki, Uniwersytet Warszawski
Artykuł dostępny jest w e-wydaniu magazynu Optyk Polski
Bibliografia
- Flaxman, S.R. i wsp. Global Causes of Blindness and Distance Vision Impairment 1990–2020: A Systematic Review and Meta-Analysis. Lancet Glob. Health 2017, 5, e1221–e1234, https://doi.org/10.1016/S2214-109X(17)30393-5.
- Liang, J. i wsp. Global Prevalence, Trend and Projection of Myopia in Children and Adolescents from 1990 to 2050: A Comprehensive Systematic Review and Meta-Analysis. British Journal of Ophthalmology 2025, 109, 362–371, https://doi.org/10.1136/BJO-2024-325427.
- What Is Artificial Intelligence (AI)?, IBM, https://www.ibm.com/think/topics/artificial-intelligence (dostęp: 13/07/2026).
- Ampong, J. i wsp. Artificial Intelligence Applications in Refractive Error Management: A Systematic Review and Meta-Analysis. PLOS Digital Health 2025, 4, e0000904, https://doi.org/10.1371/JOURNAL.PDIG.0000904.
- Nguyen, T. i wsp. Artificial Intelligence in the Diagnosis and Management of Refractive Errors. Eur. J. Ophthalmol. 2025, 35, 1456–1480,
https://doi.org/10.1177/11206721251318384. - Zou, H. i wsp. Identification of Ocular Refraction Based on Deep Learning Algorithm as a Novel Retinoscopy Method. Biomed. Eng. Online 2022, 21, 87-, https://doi.org/10.1186/S12938-022-01057-9.
- Ghadimi, H. i wsp. Comparison of Photorefraction by Plusoptix A12 and Cycloplegic Autorefraction in Children. BMC Ophthalmol. 2024, 24, 179-, https://doi.org/10.1186/S12886-024-03459-W.
- Syauqie, M. i wsp. Development of High-Accuracy Refractive Error Screening Model in Low-Resource Environments. 2025 9th International Conference on Medical and Health Informatics (ICMHI 2025), May 1618, 2025, Kyoto, Japan 2025, 1, 328–336, https://doi.org/10.1145/3761712.3761785.
- Xu, D. i wsp. Deep Learning for Predicting Refractive Error from Multiple Photorefraction Images. Biomed. Eng. Online 2022, 21, 55-,
https://doi.org/10.1186/S12938-022-01025-3. - Jain, R i wsp. Deep Transfer Learning for Ethnically Distinct Populations: Prediction of Refractive Error Using Optical Coherence Tomography. Ophthalmol. Ther. 2024, 13, 305–319, https://doi.org/10.1007/S40123-023-00842-6.
- Yoo, T.K i wsp. Deep Learning for Predicting Uncorrected Refractive Error Using Posterior Segment Optical Coherence Tomography Images. Eye 2021 36:10 2021, 36, 1959–1965, https://doi.org/10.1038/s41433-021-01795-5.
- What Is Explainable AI (XAI)?, IBM, https://www.ibm.com/think/topics/explainable-ai (dostęp: 13/07/2026).
- Hassija, V i wsp. Interpreting Black-Box Models: A Review on Explainable Artificial Intelligence. Cognit. Comput. 2024, 16, 45–74,
https://doi.org/10.1007/S12559-023-10179-8. - Shu, Q i wsp. Artificial Intelligence for Early Detection of Pediatric Eye Diseases Using Mobile Photos. JAMA Netw. Open 2024, 7, e2425124–e2425124, https://doi.org/10.1001/JAMANETWORKOPEN.2024.25124.
