Proces nie będzie wyglądał tak, że AI nagle „przyjdzie i zabierze pracę” – to narzędzie będzie raczej stopniowo przejmować rutynowe, czasochłonne zadania, dając szansę na zapewnienie lepszej opieki nad narządem wzroku większej liczbie pacjentów. Zresztą sztuczna inteligencja już dzisiaj jest wykorzystywana w gabinetach okulistycznych, optometrycznych, terapeutycznych, kontaktologicznych, ortoptycznych oraz w salonach optycznych. Algorytmy oparte na AI są wbudowane w urządzenia, które oprócz samych pomiarów oferują funkcje diagnostyczne, korekcyjne czy nawet terapeutyczne.
Współczesny gabinet „medyczny” (czyli taki, w którym wykonywane są procedury związane ze zdrowiem) jest coraz częściej wyposażony w nowoczesne automatyczne urządzenia wspomagające pracę specjalisty. W przypadku wzroku lista takich urządzeń robi się coraz dłuższa, a wiele nowoczesnych konstrukcji to wielomodalne kombajny, które łączą funkcje kilku starszych instrumentów, dodając do tego współczesne możliwości cyfrowe – pracę w chmurze czy właśnie sztuczną inteligencję. Jak to działa i do czego służy? Poniżej przedstawiam – w kolejności losowej – wybrane istniejące rozwiązania tego typu, wskazując ich najważniejsze cechy oraz możliwości ich wykorzystania w gabinetach specjalistów zajmujących się szeroko pojętą ochroną narządu wzroku.
HEYEX 2
System HEYEX 2 firmy Heidelberg Engineering stanowi dobry przykład współczesnego zaawansowanego środowiska do zarządzania i analizy obrazów oka, integrującego dane z urządzeń takich jak Spectralis OCT, HRT czy moduły angiograficzne. Kluczową cechą platformy jest architektura oparta na centralnym repozytorium danych obrazowych, umożliwiająca jednoczesną analizę multimodalną (w tym: OCT,
OCT-A, zdjęcia dna oka w świetle widzialnym i FAF z autofluorescencji), co stanowi fundament dla implementacji algorytmów AI. System wykorzystuje wysokorozdzielcze dane wolumetryczne OCT, a także zaawansowane funkcje rejestracji i przetwarzania obrazów, co pozwala na bardzo stabilne i powtarzalne mapowanie struktur siatkówki, a podstawowa operacja segmentacji warstw odbywa się w sposób automatyczny.
Warstwa AI w HEYEX 2 nie jest pojedynczym algorytmem, lecz ekosystemem obejmującym zarówno klasyczne modele oparte na analizie cech (ang. feature-based), jak i głębokie konwolucyjne sieci neuronowe (CNN, od ang. convolutional neural networks), trenowane na dużych zbiorach danych obrazowych. System wykorzystuje modele segmentacyjne (np. U-Net i jego warianty) do detekcji granic warstw siatkówki oraz modele klasyfikacyjne do oceny obecności patologii. Wydaje się, że taka organizacja pracy odzwierciedla współczesny trend zastosowania AI w praktyce klinicznej, tj. wykorzystywanie wielu podsystemów sztucznej inteligencji, wyspecjalizowanych w określonych zadaniach.
Warto też wskazać kolejny istotny trend, polegający na wykorzystaniu zewnętrznych narzędzi AI, rozwijanych przez niezależne firmy. To daje szansę nawet małym zespołom na sukces komercyjny, jeśli tylko będą one potrafiły wykazać skuteczność swoich rozwiązań. Więcej: architektura systemu pozwala na implementację zewnętrznych algorytmów poprzez API, co umożliwia np. prowadzenie badań naukowych we współpracy z ośrodkami akademickimi.
HEYEX 2 funkcjonuje w modelu hybrydowym, łącząc lokalne przetwarzanie danych z rozwiązaniami typu SaaS (od ang. software as a service), dzięki czemu możliwa jest integracja z chmurowymi systemami analitycznymi czy badania wieloośrodkowe.
Ważnymi zagadnieniami, które muszą brać pod uwagę wszyscy producenci oprogramowania, są bezpieczeństwo danych i zachowanie prywatności. Nowoczesne systemy mogą przechowywać dane lokalnie (ang. on-premise) lub w bezpiecznych środowiskach chmurowych, zgodnych z regulacjami takimi jak europejskie RODO czy amerykańskie HIPAA (Health Insurance Portability and Accountability Act).
W systemie HEYEX 2 stosuje się wielopoziomowe mechanizmy bezpieczeństwa, w tym: szyfrowanie danych (zarówno magazynowanych, jak i w transmisji), kontrolę dostępu opartą na rolach (ang. role-based access control), audyt logów oraz anonimizację danych wykorzystywanych do trenowania modeli AI. Z punktu widzenia prywatności pacjenta kluczowe jest także wsparcie dla pseudonimizacji i integracji z systemami elektronicznej dokumentacji danych pacjentów, co umożliwia zgodne z przepisami przetwarzanie danych klinicznych.
Z powyższego opisu jednego tylko systemu widać, że hipotetyczne możliwości współczesnej techniki są naprawdę imponujące. Wbudowane moduły AI mogą wykonywać nie tylko diagnostykę polegającą na klasyfikacji obrazów, ale także np. monitorować postęp chorób, prowadzić rehabilitację lub terapię wzroku czy stawiać wstępne diagnozy w przypadku zmian chorobowych.
Harmony
Inny przykład kombajnu wyposażonego w AI to platforma Harmony firmy Topcon Healthcare, zintegrowana m.in. z systemem Maestro2 OCT. Producent nie pozostawia w tym urządzeniu miejsca na jakiekolwiek niedomówienia, ale wprost deklaruje, że AI jest kluczowym składnikiem systemu, wykorzystującym rozwiązania chmurowe.
Warto w tym miejscu wspomnieć, że wykorzystanie chmury obliczeniowej, do której są przesyłane są dane i w której wykonywane są obliczenia, jest standardem – głównie z uwagi na to, że sam komputer wbudowany w urządzenie nie podołałby tym zadaniom. Platforma wykorzystuje infrastrukturę chmurową, rozwijaną m.in. we współpracy z firmami Microsoft i NVIDIA, co zapewnia wysoką wydajność obliczeniową, niezbędną dla analizy obrazów w czasie rzeczywistym.
Rdzeniem Harmony są algorytmy głębokiego uczenia, analizujące zarówno dane wolumetryczne OCT, jak i obrazy dna oka. W urządzeniu tym – analogicznie jak w opisanym wyżej oprogramowaniu HEYEX 2 – AI przeprowadza automatyczną segmentację warstw siatkówki, oblicza grubości tkanek oraz wykrywa i klasyfikuje patologie. System umożliwia analizę longitudinalną – nie ogranicza się do pojedynczego badania, lecz modeluje progresję zmian w czasie, zwiększając czułość wykrywania wczesnych zmian.
Przedstawione przykłady pokazują, że sztuczna inteligencja przestała być futurystyczną ciekawostką, a stała się realnym elementem współczesnej diagnostyki narządu wzroku. Co istotne, AI nie działa już wyłącznie na poziomie pojedynczych pomiarów, lecz coraz częściej wspiera analizę długoterminową, prognozowanie zmian oraz integrację danych z wielu źródeł. W drugiej części artykułu przyjrzymy się kolejnym rozwiązaniom spotykanym na rynku oraz temu,
prof. dr hab. Jacek Pniewski
Akademickie Centrum Kształcenia Optometrystów Wydział Fizyki, Uniwersytet Warszawski
