Generatív és képfeldolgozó mesterséges intelligencia a szemészeti szűrésben a krónikus betegségek korai felismerésére és a betegedukáció javítására

Absztrakt:

Háttér: A diabétesz és a hipertónia világszerte egyre növekvő népegészségügyi terhet jelentenek. Gyakori szemészeti szövődményeik – a diabéteszes, illetve hipertóniás retinopátia – jelentős látáskárosodást okozhatnak; különösen a diabéteszes retinopátia a munkaképes korú lakosság körében a megelőzhető látásvesztés egyik vezető oka. A korai felismerés – rendszeres szemfenékvizsgálattal – jelentősen csökkentheti a súlyos látásromlás kockázatát. A szűrés széles körű megvalósítása ugyanakkor kihívásokba ütközik (szakemberhiány, alacsony részvétel).

Célkitűzés: A tanulmány áttekinti a mesterséges intelligencia, különösen a modern mélytanulás-alapú képfeldolgozó és generatív eszközök szerepét a krónikus betegségek (elsősorban a diabétesz és a hipertónia) szemészeti szövődményeinek szűrésében és korai felismerésében, valamint a betegedukáció javításában.

Módszerek: Narratív, szisztematikus jellegű szakirodalmi áttekintés PubMed- és Web of Science-indexelt klinikai tanulmányok, metaanalízisek, szakmai irányelvek és szabályozási dokumentumok felhasználásával.

Eredmények: Az Egyesült Államok Élelmiszer- és Gyógyszerügyi Hivatala (FDA) által engedélyezett autonóm algoritmusok a diabéteszes retinopátia szűrésében szemész bevonása nélkül képesek a referálást igénylő elváltozásokat detektálni (érzékenység 87–96%, specificitás 85–94%). A generatív modellek a betegedukációban is megjelentek, használatukat azonban jelenleg pontossági és megbízhatósági problémák korlátozzák.

Következtetés: A mesterséges intelligencia alapú szemészeti szűrőrendszerek – megfelelő validáció és szervezeti integráció esetén – javíthatják a szűrés elérhetőségét és lefedettségét, és ezen keresztül hozzájárulhatnak a megelőzhető látásvesztés csökkentéséhez. Az európai uniós szabályozói környezet szigorú követelményeket ír elő a biztonságos és megbízható működés érdekében.

Abstract:

Background: Diabetes and hypertension are growing public health challenges worldwide. Their common ocular complications – diabetic and hypertensive retinopathy – can cause significant visual impairment; in particular, diabetic retinopathy is one of the leading causes of preventable vision loss in the working-age population. Early detection through regular retinal screening can significantly reduce the risk of severe visual impairment. However, the widespread implementation of screening faces challenges such as specialist shortages and suboptimal patient adherence.

Objective: To provide an overview of how artificial intelligence (AI) – especially modern deep learning-based image processing and generative AI – can be applied in ophthalmic screening to facilitate the early detection of the ocular complications of chronic diseases (primarily diabetes and hypertension) and to improve patient education.

Methods: A narrative, systematic-style literature review was conducted using PubMed and Web of Science indexed clinical studies, metaanalyses, professional guidelines, and regulatory documents.

Results: Autonomous algorithms approved by the U.S. Food and Drug Administration (FDA) can detect referable diabetic retinopathy lesions without an ophthalmologist (sensitivity 87–96%, specificity 85–94%). Generative models have also emerged in patient education, but their use is currently limited by accuracy and reliability problems.

Conclusions: With appropriate validation and organizational integration, AI-based ophthalmic screening systems can improve the reach and coverage of screening, thereby contributing to the reduction of preventable vision loss. The European Union regulatory environment imposes strict requirements to ensure safe and trustworthy operation.