Mesej utama

• Berbanding dengan pakar manusia, ujian berdasarkan kecerdasan buatan (AI) ketepatannya boleh setanding dalam mengesan bentuk eksudatif (atau basah) degenerasi makula berkaitan umur (eAMD).

• Tiada perbezaan ketara dalam prestasi ujian tanpa mengira keadaan mata sebelah lagi dalam set data imej atau jenis imej yang digunakan.

• Lebih banyak penyelidikan dan laporan konsisten diperlukan untuk mendefinisikan peranan AI dalam diagnosis eAMD.

Apakah itu degenerasi makular berkaitan umur?
Makula adalah bahagian tengah retina, yang terletak di bahagian belakang mata. Apabila seseorang meningkat usia, sel-sel dalam makula mati atau rosak, menyukarkan mereka untuk melihat dengan jelas. Degenerasi makular berkaitan umur (AMD) merupakan keadaan mata yang biasa terjadi namun boleh memburuk menjadi AMD eksudatif (eAMD) (atau basah), yang mengurangkan tahap penglihatan di bahagian tengah mata disebabkan pertumbuhan saluran darah yang tidak normal. Diagnosis eAMD yang tepat adalah penting kerana ia membolehkan pesakit menerima rawatan daripada pakar retina. Kaedah tradisional untuk mendiagnosis eAMD bergantung kepada pakar penjagaan mata dan teknik-teknik pengimejan yang banyak, yang boleh memakan masa dan sumber. Ujian yang menggunakan kecerdasan buatan (AI) menjanjikan pengenalpastian eAMD secara automatik. Ini boleh membantu lebih banyak orang dengan eAMD mendapatkan pemeriksaan mata mereka dan menerima diagnosis dan rawatan awal.

Bagaimana AI boleh membantu?
AI adalah cabang sains komputer yang bertujuan untuk menyelesaikan tugas yang secara tradisinya memerlukan kecerdasan manusia. Aplikasi AI telah dibangunkan untuk meneliti imej-imej mata dan dilatih untuk memilih imej yang mungkin menunjukkan tanda-tanda eAMD. Pesakit boleh dirujuk untuk rawatan awal dan pakar mata dilepaskan daripada menjalankan ujian-ujian mata yang memakan masa.

Apakah yang ingin kami ketahui?
Kami ingin mengetahui seberapa tepat ujian-ujian AI berbanding pakar manusia dalam mendiagnosis eAMD daripada imej-imej mata.

Apa yang kami lakukan?
Kami mencari kajian di mana-mana sahaja di dunia yang membandingkan prestasi diagnostik ujian AI dengan pakar manusia dalam membaca imej mata untuk mendiagnosis eAMD. Imej itu mungkin daripada pesakit yang mendapatkan penjagaan mata di klinik komuniti atau pusat perubatan akademik atau daripada pangkalan data imej. Keputusan bacaan berasaskan AI dibandingkan dengan pakar manusia yang menyemak imej sebelum ujian AI.

Apakah yang kami temui?
Kami mengenal pasti 36 kajian, dengan lebih daripada 16,000 orang dan 62,000 imej yang melaporkan keputusan 41 ujian AI berbeza . Lebih separuh daripada kajian telah dijalankan di Asia, diikuti oleh Eropah, AS, dan kerjasama pelbagai negara. Secara purata, 33% orang dalam kajian mempunyai eAMD.

Bagi tiga ujian AI yang dinilai pada data baharu di luar imej latihan, apabila digunakan untuk mengesan eAMD dalam 10,000 individu (termasuk 100 yang benar-benar mempunyai eAMD), ujian AI akan silap mengenal pasti kira-kira 99 orang sebagai mempunyai eAMD (positif palsu) dan terlepas kira-kira 6 kes (negatif palsu).

Untuk 28 ujian AI yang dinilai semata-mata pada data latihan, menggunakan senario yang sama, ujian tersebut akan silap mengenal pasti kira-kira 396 orang sebagai mempunyai eAMD (positif palsu) dan terlepas kira-kira 7 kes (negatif palsu).

Ujian AI menunjukkan prestasi yang serupa dengan pakar manusia, sama ada mereka dinilai menggunakan imej daripada set latihan mereka atau daripada set data baharu. Prestasi adalah serupa merentasi set data imej eAMD dan pelbagai kumpulan kawalan atau jenis imej.

Apakah batasan bukti?
Kebanyakan kajian yang disertakan mempunyai kelemahan dalam memilih, melatih atau menilai ujian AI. Kelemahan kajian ini boleh menjadikan keputusan ujian kelihatan lebih baik daripada sebelumnya. Akibatnya, keyakinan kami terhadap ketepatan keputusan ujian adalah rendah. Kajian masa depan harus merekrut peserta yang umur dan keterukan penyakit mencerminkan keadaan dunia sebenar.

Sejauh manakah bukti ini terkini?
Bukti ini adalah terkini sehingga April 2024.