Modelele fundamentale AI transformă imagistica universală în îngrijirea oculară
Inteligența artificială (AI) a revoluționat deja numeroase aspecte ale imagisticii medicale, însă sistemele tradiționale de AI în oftalmologie sunt adesea concepute pentru o singură boală, un set de date sau o sarcină specifică.
Această abordare îngustă poate limita aplicabilitatea lor în diverse spitale, pe diferite dispozitive de imagistică, în rândul diverselor populații de pacienți și în diferite categorii de boli. Oftalmologia este bine poziționată pentru următoarea etapă de dezvoltare a AI, deoarece se bazează în mare măsură pe examinări standardizate, bogate în imagini, precum imagistica fundus și tomografia cu coerență optică (OCT).
Modelele fundamentale pot ajuta la depășirea sistemelor specifice prin învățarea de reprezentări reutilizabile din seturi de date mari și diverse. Totuși, este necesară mai multă dovadă despre cum pot fi integrate aceste modele în oftalmologie în mod sigur, eficient și echitabil.
Cercetătorii de la Centrul de Ochi al celui de-al Doilea Spital Afiliat, Universitatea Zhejiang/Spitalul de Ochi Zhejiang, împreună cu profesorul Andrzej Grzybowski din Polonia și colaboratori din China, Statele Unite, Regatul Unit, Australia, Singapore, Polonia și Hong Kong, au publicat o revizuire în Advances in Ophthalmology Practice and Research pe 24 octombrie 2025 (DOI: 10.1016/j.aopr.2025.10.004).
Articolul examinează sistematic modelele fundamentale de viziune și de limbaj vizual în oftalmologie, cu un accent deosebit pe performanța diagnostică, potențialul clinic, interpretabilitate, echitate, barierele de implementare și direcțiile viitoare.
Respectând liniile directoare ale articolelor preferate pentru revizuiri sistematice și meta-analize (PRISMA), autorii au căutat în PubMed, Web of Science, Scopus și Google Scholar studii publicate între ianuarie 2020 și iulie 2025. Zece studii au îndeplinit criteriile de includere, acoperind modele fundamentale oftalmice reprezentative precum RETFound, FLAIR, VisionFM, EyeCLIP, FMUE, MetaGP, MINIM, RETFound-DE, RetiZero și OSPM.
Diagnosticul bolilor retiniene a fost cea mai frecventă zonă de aplicare, în special retinopatia diabetică (DR), degenerescența maculară legată de vârstă (AMD) și edemul macular diabetic (DME). RETFound a obținut o valoare a ariei sub curba (AUC) de 0,94 pentru detectarea DR pe setul de date EyePACS, în timp ce VisionFM a atins o AUC de 0,974 pentru AMD în validarea externă. În cazul glaucomului, RETFound-DE a obținut o AUC de 0,902 pe REFUGE-2, iar EyeCLIP a arătat o performanță promițătoare pe mai multe seturi externe de date.
În cazul tumorilor de suprafață oculară (OST), OSPM a realizat valori AUC de aproximativ 0,986 până la 0,993. Revizuirea a evidențiat, de asemenea, capacitatea RetiZero de a recunoaște peste 400 de boli rare ale fundului de ochi, cu o acuratețe de top de 75,6%. Multe modele au demonstrat, de asemenea, capacități de învățare cu puține sau fără exemple, sugerând că acestea ar putea fi adaptate la noi sarcini de diagnosticare cu date etichetate limitate.
Autorii au declarat că aceste descoperiri indică o schimbare în AI-ul oftalmic, de la algoritmi cu un singur scop la sisteme mai flexibile care pot conecta imagini, limbaj clinic și date despre pacienți.
„Modelele fundamentale pot ajuta clinicienii să extragă mai multă valoare din datele generate deja în îngrijirea oculară de rutină”, au spus aceștia. „Dar performanța puternică pe seturi de date de cercetare este doar un început. Pentru a fi de încredere în medii clinice, aceste instrumente necesită încă transparență, validare atentă și designuri care să sprijine, mai degrabă decât să înlocuiască, judecata clinică.”
Revizuirea arată, de asemenea, că adoptarea în lumea reală va necesita mai mult decât metrici puternice de acuratețe. Modelele fundamentale actuale se confruntă în continuare cu provocări majore, inclusiv diversitate limitată a datelor, prejudecăți algoritmice, suprapotrivire, cerințe computaționale ridicate, interpretabilitate limitată, interoperabilitate a dosarelor de sănătate electronice (EHR) și validare clinică insuficientă.
Autorii susțin că lucrările viitoare ar trebui să prioritizeze seturi de date mai mari și mai reprezentative, instrumente AI explicabile precum hărțile de saliență, explicațiile aditive Shapley (SHAP) și raționamentul contrafactual, precum și monitorizarea post-implementare pentru echitate și variația performanței. Dacă aceste provocări pot fi abordate, modelele fundamentale ar putea sprijini diagnosticarea timpurie, îmbunătățirea deciziilor de referire, extinderea accesului la îngrijirea oculară la nivel de specialist și contribuția la construirea unor fluxuri de lucru oftalmice asistate de AI, mai sigure și mai scalabile.
