AI-model dramatisk reducerer fejl ved øje-undersøgelser

Forskere har nylig designede en kunstig intelligens-algoritme, der synes at kunne diagnostisere synsproblemer mere præcist end de klassiske synstests, der i øjeblikket bruges af læger. Ifølge Science, kan den nye test reducerer diagnostiske fejl ved øje-undersøgelser med omkring 74%.

Øjenlæger har brugt den samme synstest, den klassiske øje-undersøgelse baseret på kort med forskellige størrelser af bogstaver og symboler, i årtier. Resultaterne af testen er op til øjenlægen at fortolke, og der kan naturligvis være fejl i fortolkningen af resultaterne og diagnosen. Forskere fra Stanford University havde til formål at forbedre disse tests med en AI-algoritme.

Ifølge en computervidenskabsmand på Stanford, Chris Piech, er en del af problemet med de traditionelle tests, at når bogstaverne bliver for uklare for testpersonen at se, begynder testpersonen at gætte på bogstaverne. Dette gætning betyder, at resultaterne af testen kan variere, hvis en person tager testen flere gange. For at udvikle en test med bedre nøjagtighed og reproducerbarhed skabte Piech og kolleger en online-test, hvor resultaterne af testen blev brugt til at træne en AI-model. Den online-test fører brugeren gennem processen med at kalibrere skærmen. Efter skærmen er kalibreret, indtaster brugeren afstanden fra skærmen og derefter viser programmet et bogstav “E”, der vises i forskellige retninger. Derefter tildeler modellen brugeren en synscore, baseret på en statistisk model. Programmet stiller 20 spørgsmål for hvert øje, opdaterer sin synscore, og derefter giver den en forudsigelse baseret på synscoren.

Forskningsholdet kørte deres model gennem 1000 computersimulationer, der efterlignede input fra ægte patienter. Computersimulationen fungerer ved at blive primet med en kendt synskarantæ-scores og derefter gøre de fejl, som en person kan gøre under testen. Forskerne udførte testene på denne måde, fordi for hver test findes der en “sand” synskarantæ-score, hvilket ikke er tilfældet, når en menneske tager testen. Ifølge forskerne var deres model i stand til at reducere diagnostiske fejl med omkring tre kvart (74%) i forhold til de klassiske synstests. Trods disse ret imponerende resultater advarede Piech og kolleger om, at modellen ikke er tiltænkt at erstatte læger, men snarere et værktøj, som læger kan bruge til at forbedre nøjagtigheden af en diagnose.

Øjenlæge Mark Blecher udtalte til Science, at selvom programmet er en nyttig og clever implementering af AI-modeller til øjenlægevidenskab, burde forskerne også tage højde for ting som miljøet, hvor testpersonen tager testen, da disse attributter også kan påvirke testresultater. Udover dette forventer Blecher, at forskerne kan have svært ved at få øjenlæger til at bruge deres nye model og enes om en ny standard, da status quo kan være svær at ændre.

Forskningen udført af Piech og kolleger er ikke den eneste ny udvikling vedrørende både AI og syn. For nylig udviklede Google (GOOGL ) en AI-model, der kan udgøre kliniske læger ved at identificere almindelige øjensygdomme , der kan føre til synstab. Google DeepMind samarbejdede med Moorfields Eye Hospital for at udvikle en model, der kan forudsige sandsynligheden for, at en patient kan udvikle en alvorlig form for maculadegeneration. Andre steder har en israelsk startup ved navn AEYE Health brugt computerseende-teknikker og maskinlæring til at udvikle nethinde-scannere, der kan gøre grundlæggende, nøjagtig genkendelse af almindelige øjensygdomme, og henvise patienten til en læge, hvis diagnosen er positiv.