مقایسه طبقه‌بندی‌کننده‌های یادگیری ماشین مبتنی بر هوش مصنوعی برای تشخیص زودهنگام قوز قرنیه
نویسندگان: مهرداد محمدپور، زهرا حیدری، حسن هاشمی، مهدی یسری، اکبر فتوحی
چکیده
هدف: مقایسه توافق بین طبقه‌بندی‌کننده‌های مبتنی بر هوش مصنوعی و متخصصان بالینی در افتراق قرنیه طبیعی از شرایط اکتازی.
روش‌ها: این مطالعه به‌صورت آینده‌نگر در بیمارستان چشم‌پزشکی نور انجام شد. ۲۱۲ چشم از ۲۱۲ بیمار به سه گروه شامل ۹۲ چشم طبیعی، ۵۲ چشم با قوز قرنیه تحت‌بالینی (SKCN) و ۶۸ چشم با قوز قرنیه بالینی (KCN) بر اساس یافته‌های بالینی توسط سه متخصص مستقل تقسیم شدند. تمام موارد با چهار طبقه‌بندی‌کننده بررسی شدند: شاخص Belin/Ambrosio (BADD) و TKC با دستگاه پنتاکم، نرم‌افزار Phoenix با دستگاه Sirius و Corneal Navigator با دستگاه OPD-Scan III. عملکرد هر طبقه‌بندی‌کننده و میزان توافق آن با نظر متخصصان از نظر حساسیت، ویژگی و شاخص کاپا بررسی شد.
نتایج: در تشخیص SKCN، نرم‌افزار Phoenix بیشترین توافق را با نظر متخصصان داشت (حساسیت 84.6%، ویژگی 90% و کاپا 0.70). در تشخیص KCN نیز بهترین توافق مربوط به Phoenix (حساسیت 80%، ویژگی 96.6%، کاپا 0.79) بود. تحلیل کلی نشان داد Phoenix بیشترین دقت را در افتراق KCN (91.2%) و SKCN (88.6%) نسبت به سایر روش‌ها دارد.
نتیجه‌گیری: اگرچه طبقه‌بندی‌کننده‌های مبتنی بر هوش مصنوعی، به‌ویژه Sirius Phoenix، می‌توانند در تشخیص زودهنگام قوز قرنیه بسیار مفید باشند، اما نمی‌توانند جایگزین نظر متخصصان بالینی شوند، به‌ویژه هنگام تصمیم‌گیری پیش از جراحی‌های انکساری.
مقدمه
قوز قرنیه (KCN) یک بیماری پیشرونده اکتازی قرنیه است که در مراحل پیشرفته به راحتی در معاینات بالینی تشخیص داده می‌شود، اما تشخیص نوع تحت‌بالینی آن (SKCN) بسیار چالش‌برانگیز است زیرا هنوز علائم بالینی آشکاری وجود ندارد. تشخیص زودهنگام اهمیت زیادی دارد زیرا می‌تواند از پیشرفت بیماری جلوگیری کرده و دید مطلوب بیمار را حفظ کند.
در سال‌های اخیر، پیشرفت فناوری‌های تصویربرداری و غربالگری و همچنین استفاده از تله‌افتالمولوژی، هوش مصنوعی را به ابزاری مهم در تشخیص به‌موقع بیماری‌های چشمی تبدیل کرده است. یادگیری ماشین (ML) به عنوان یکی از زیرشاخه‌های هوش مصنوعی، داده‌های پیچیده حاصل از تصویربرداری را تحلیل کرده و با استفاده از الگوریتم‌های مختلف، چشم‌ها را به گروه‌های طبیعی و غیرطبیعی طبقه‌بندی می‌کند.
سیستم‌های تصویربرداری مختلفی شامل Placido، Scheimpflug و ترکیبی از آن‌ها توسعه یافته‌اند که هرکدام با نرم‌افزارهای مبتنی بر هوش مصنوعی، برای تشخیص و طبقه‌بندی قوز قرنیه استفاده می‌شوند.
مواد و روش‌ها
این مطالعه آینده‌نگر با تأیید کمیته اخلاق دانشگاه علوم پزشکی تهران (کد IR.TUMS.VCR.REC.1396.4815) در بیمارستان چشم‌پزشکی نور انجام شد. ۲۱۲ چشم از ۲۱۲ بیمار ۱۷ تا ۴۹ ساله که به کلینیک قوز قرنیه یا بخش جراحی انکساری مراجعه کرده بودند وارد مطالعه شدند. چشم‌هایی با سابقه جراحی، کراس‌لینکینگ، کاشت حلقه، اسکار قرنیه، هیدروپس، خشکی چشم، بیماری‌های سیستمیک یا مصرف لنز تماسی در یک ماه اخیر، از مطالعه حذف شدند.
همه بیماران تحت تصویربرداری با دستگاه‌های Pentacam، Sirius و OPD-Scan III قرار گرفتند. تشخیص نهایی بر اساس معاینه دو متخصص قرنیه و در صورت اختلاف نظر، نظر سومین متخصص لحاظ شد. چشم‌ها به سه گروه تقسیم شدند: طبیعی، SKCN و KCN.
نتایج
از مجموع ۲۱۲ چشم، ۹۲ مورد طبیعی، ۵۲ مورد SKCN و ۶۸ مورد KCN بودند. میانگین سنی بیماران در گروه‌ها مشابه بود. نتایج نشان داد که نرم‌افزار Phoenix بهترین کارایی را در افتراق هر دو نوع قوز قرنیه داشت. BADD و TKC نیز دقت بالایی در تشخیص KCN داشتند اما در تشخیص SKCN ضعیف‌تر عمل کردند. Corneal Navigator کمترین دقت را داشت و بسیاری از موارد را در گروه «دیگر» قرار داد.
در مجموع، شاخص کاپا نشان داد که توافق Phoenix و BADD با نظر متخصصان بیشترین میزان بود، به‌ویژه در گروه KCN.
بحث
تشخیص زودهنگام قوز قرنیه به‌ویژه پیش از جراحی‌های انکساری اهمیت حیاتی دارد. این مطالعه نشان داد که الگوریتم‌های مبتنی بر هوش مصنوعی می‌توانند کمک‌کننده باشند، اما محدودیت‌هایی دارند و نمی‌توانند جایگزین نظر متخصص شوند. به‌ویژه در مورد SKCN، تشخیص همچنان دشوار است زیرا الگوهای بالینی و توپوگرافیک همپوشانی زیادی با چشم‌های طبیعی دارند.
نرم‌افزار Sirius Phoenix با استفاده از پارامترهای بیشتری مانند آستیگماتیسم و ابراسیون‌ها، عملکرد بهتری نسبت به سایر روش‌ها داشت. اما همچنان نیاز به پژوهش‌های بیشتر و پیگیری طولانی‌مدت بیماران وجود دارد.
نتیجه‌گیری
در میان روش‌های مختلف، Sirius Phoenix بهترین توافق را با نظر متخصصان داشت و می‌تواند در غربالگری اولیه قوز قرنیه به‌ویژه در مراحل زودرس مفید باشد. با این حال، هیچ‌یک از این طبقه‌بندی‌کننده‌ها جایگزین تجربه بالینی پزشک متخصص نیستند.