מתקצר: פרופ' מרדכי רוזנר

האם אינטליגנציה מלאכותית יכולה לנבא הידרדרות בשדה הראייה מגלאוקומה?  

 

נאורופתיה אופטית גלאוקומטוטית נובעת מאיבוד מתקדם של תאי גנגליון של הרשתית והחולים בדרך כלל נשארים אסימפטומטיים עד לשלב מאוחר של המחלה.

 

איבוד הראייה מגלאוקומה נחשב לבלתי הפיך, ולכן זיהוי מוקדם ומניעת הידרדרות חשובים ביותר בטיפול. ההתקדמות הפונקציונלית של גלאוקומה נקבעת לרוב באמצעות בדיקות שדה ראייה, שמצריכות זמן ומאמץ מצד החולה והבודק. האפשרות לנבא התקדמות גלאוקומה באמצעות בדיקות שדה ראייה מועטות תהיה לעזר רב בטיפול. 

 

עד עתה לרוב השתמשו במודלים לינאריים כדי לנבא הידרדרות של שדות הראייה. שתי השיטות החשובות ביותר מבוססות על אינדקסים גלובליים כמו mean deviation (MD) ו- VF index (VFI), או גישה לינארית pointwise. אולם, היעילות הקלינית של מודלים לינאריים אלה הינה מוגבלת.

 

בהשוואה לבדיקת שדות ראיה המפרי סטנדרטיים, ההתאמה בין הבודקים בקביעת הידרדרות לא השתפרה בעקבות שימוש ב- guided progression analysis software (GPA), שכוללת רגרסיה לינארית של ה- MD או VFI. מצד שני דווח ש- pointwise linear regression analysis (PLR) משפר את ההתאמה בין הבודקים.

 

השוואת אסטרטגיות שונות של מודלים pointwise models הראתה  ש- M-estimator robust regression מדויק יותר מהמודלים האחרים, אך מצריך בערך 10 בדיקות שדות ראייה כדי לנבא בדייקנות את ההידרדרות.

 

גישה חלופית היא יישום  של שיטות למידת מכונה (machine learning). לאחרונה דווח על תוצאות מבטיחות באבחנה של גלאוקומה כאשר השתמשו בלמידת מכונה ובמדדים תפקודיים ומבניים שכללו OCT של מקטע קדמי ושל מקטע אחורי, אופתלמוסקופית סריקת לייזר קונפוקלית, צילומי פונדוס ו- scanning laser polarimetry.

 

בשימוש ברשת עצבית מלאכותית מסוג convolutional neural network (CNN) הצליחו לנבא את שדה הראייה על פי תמונות OCT.  Wen וחבריו פיתחו מודלים לניבוי פגמים בשדות ראייה משנה ועד 5.5 שנים לעתיד והשוו אותם לשלושה מודלים לינאריים, כשהם מראים את היתרון של המודלים של למידה עמוקה (deep learning).

 

המחקר הנוכחי בוצע בהשראת התוצאות האלה.

החוקרים היו מקוראה, ממחלקות העיניים של בית חולים Gangneung Asan ב- Gangneung ושל הקולג' לרפואה של אוניברסיטת Ulsan ומרכז רפואי Asan בסאול. המטרה הייתה לפתח מודל של רשת עצבית מלאכותית הכולל גישות spatial ו- ordinal כדי לנבא הידרדרות שדות ראייה בגלאוקומה. המתכונת הייתה של מחקר עוקבה.

מקבוצה של חולי גלאוקומה פתוחת זווית נכללו 9212 עיניים של 6047 חולים שעברו בדיקות סדירות של שדה ראייה במשך יותר מארבע שנים. נעשה שימוש בשלוש בדיקות עוקבות של שדה ראייה (בלוק של שדות ראייה) בחולים עם לפחות 3 שנים של מעקב.

 

הוגדרו מדדים המבוססים על מגמה (trend), אירוע (event) ושילוב שלהם (combined), כדי לקבוע הידרדרות. הבלוקים של שדות הראייה נחשבו למידרדרים אם הייתה הידרדרות במדדים במהלך 3 שנים. בנוסף לכך אומתה ההידרדרות אחרי 3 שנים. הורכבו 6 מודלים של CNN ושני מודלים לינאריים, שכללו רגרסיה על פי מדדים גלובליים ו- PLR. בוצע חישוב עבור כל מודל לניבוי הידרדרות בשדות הראייה של חולי גלאוקומה.

 

מבין 43,260 הבלוקים של שדות הראייה נמצאו בלוקים מידרדרים בקרב 4406 (10.2%) על פי מדדי מגמה, 4376 (10.1%) על פי מדדי אירוע, ו- 2394 (5.5%) על פי המדדים המשולבים. עבור כל שלושת סוגי המדדים, קבוצת החולים עם הידרדרות בשדה הראייה היו באופן משמעותי זקנים יותר והיו בעלי אינדקסים התחלתיים גרועים יותר בהתחלה, בהשוואה לקבוצה החולים ללא הידרדרות בשדה הראייה.

 

מודל הרשת העצבית הטוב ביותר היה עם רגישות של 0.42 בספציפיות של 0.95. המסקנה היא שהמודלים של רשת עצבית בהם השתמשו במחקר הראו ביצועים טובים יותר באופן משמעותי מאשר המודלים הלינאריים בניבוי הידרדרות של שדות ראייה בחולי גלאוקומה.