پیام‌های کلیدی
• مطالعات واردشده نشان می‌دهند که هوش مصنوعی (artificial intelligence; AI) می‌تواند قوز قرنیه (keratoconus) را شناسایی کند. این ممکن است منجر به تشخیص زودهنگام و پیشگیری از کاهش بینایی شود.
• تخمین‌ها برای انواع مختلف الگوریتم‌های AI مشابه بود.
• اعتماد کمی به شواهد داریم؛ انجام پژوهش‌های بیشتری در این زمینه لازم است.
قوز قرنیه چیست و چرا تشخیص (زودهنگام) آن بسیار مهم است؟
قوز قرنیه عبارت است از نوعی بیماری قرنیه (پنجره شفاف جلوی چشم) که افراد میان 10 و 40 سال را درگیر می‌کند. در افراد مبتلا، قرنیه در طول سال‌ها ضعیف و نازک شده و به تدریج به شکل مخروطی‌مانند معمولی برآمده می‌شود که به کاهش دید می‌انجامد. عینک می‌تواند این مشکل را در مراحل اولیه بیماری حل کند اما با پیشرفت بیماری، دیگر راه‌حل رضایت‌بخشی به شمار نمی‌آید. تشخیص زودهنگام برای اطمینان از پیگیری و درمان و در نتیجه پیشگیری از کاهش بینایی ضروری است.
تشخیص قوز قرنیه بر اساس معاینه چشم (اندازه‌گیری چشم و ارزیابی قرنیه با پرتو عمودی نور (vertical beam of light) و میکروسکوپ) و تصویربرداری (تکنیک‌های کامپیوتری که تصاویر یا نقشه‌های سه بعدی از قرنیه ایجاد می‌کنند) است. تفسیر تصاویر می‌تواند چالش‌برانگیز باشد، به‌خصوص در مراقبت‌های اولیه چشم و در مراحل اولیه بیماری. عدم تشخیص قوز قرنیه منجر به بدتر شدن بیماری و بدتر شدن وضعیت بینایی می‌شود. برای مثال، افرادی که در معرض خطر ابتلا به قوز قرنیه بوده و تحت جراحی انکساری (جراحی برای اصلاح بینایی فرد) قرار می‌گیرند، ممکن است در نهایت با دید بدتری مواجه شوند.
هوش مصنوعی چیست و چگونه می‌تواند به تشخیص قوز قرنیه کمک کند؟
تشخیص قوز قرنیه بر اساس تصاویر چالش‌برانگیز است، به ویژه برای متخصصان بالینی آموزش‌ندیده. AI به دستگاه‌ها توانایی سازگاری، استدلال و یافتن راه حل را می‌دهد. الگوریتم‌ها را می‌توان برای آنالیز تصاویر قرنیه و تشخیص قوز قرنیه، توسعه و آموزش داد. این تست‌ها می‌توانند به چشم پزشکان، اوپتومتریست‌ها و دیگر متخصصان مراقبت از چشم کمک کنند تا قوز قرنیه را تشخیص داده و افراد مبتلا را به موقع به متخصصان قرنیه ارجاع دهند تا بینایی خود را حفظ کنند. الگوریتم‌های مختلفی وجود دارند، اما همه آنها بر اساس تصاویر قرنیه میان چشم سالم و چشم مبتلا به قوز قرنیه تمایز قائل می‌شوند.
ما به دنبال چه یافته‌ای بودیم؟
هدف از انجام این مرور آن بود که بدانیم AI می‌تواند به درستی قوز قرنیه را در افرادی که به دنبال جراحی انکساری هستند و افرادی که دیدشان را دیگر نمی‌توان به طور کامل با عینک اصلاح کرد، تشخیص داد یا خیر.
ما چه کاری را انجام دادیم؟
در جست‌وجوی مطالعاتی بودیم که صحت AI را برای تشخیص قوز قرنیه، ترجیحا در افرادی که به دنبال جراحی انکساری هستند یا افرادی که دیدشان را دیگر نمی‌توان به طور کامل با عینک اصلاح کرد، بررسی کردند. نتایج مطالعات را برای محاسبه دو معیار صحت، مقایسه و خلاصه کردیم: حساسیت (sensitivity) (توانایی AI برای شناسایی صحیح قوز قرنیه) و ویژگی (specificity) (توانایی AI برای منتفی دانستن درست قوز قرنیه). هرچه حساسیت و ویژگی نزدیک‌تر به 100% باشند، عملکرد الگوریتم بهتر است.
ما به چه نتایجی رسیدیم؟
تعداد 63 مطالعه را پیدا کردیم که از سه واحد مختلف (چشم‌ها، شرکت‌کنندگان و تصاویر) برای آنالیز صحت AI در تشخیص قوز قرنیه استفاده کردند: 44 مطالعه 23,771 چشم، چهار مطالعه 3843 شرکت‌کننده و 15 مطالعه 38,832 تصویر را آنالیز کردند.
صحت AI برای تشخیص قوز قرنیه آشکار (قوز قرنیه که از طریق معاینه بالینی قابل تشخیص است) بالا بود. اگر 1000 نفر تست شدند، 30 فرد مبتلا به قوز قرنیه به درستی به متخصص قرنیه ارجاع داده شده و هیچ کدام از دست نرفتند. از 970 فرد باقی‌مانده (بدون قوز قرنیه)، فقط 17 نفر به اشتباه ارجاع داده شدند. این افراد تست‌های غیرتهاجمی دیگری را برای بررسی اینکه قوز قرنیه دارند یا خیر، دریافت می‌کنند.
صحت AI برای تشخیص قوز قرنیه زودهنگام کمتر بود. اگر 1000 نفر تست شدند، نه فرد مبتلا به قوز قرنیه به درستی به متخصص قرنیه ارجاع داده شده و یک نفر از دست رفت. اگر این فرد تحت جراحی انکساری قرار می‌گرفت، باعث تشدید بیماری و بدتر شدن بینایی او می‌شد. از 990 فرد باقی‌مانده (بدون قوز قرنیه)، به 941 نفر اطمینان داده شد که به این بیماری مبتلا نیستند و جراحی انکساری یا عینک را دریافت خواهند کرد؛ 49 نفر نیز به اشتباه ارجاع داده شدند.
شواهد نشان می‌دهد که AI ممکن است در تشخیص قوز قرنیه آشکار خوب باشد، اما برای غربالگری قوز قرنیه زودهنگام ایده‌آل نیست.
محدودیت‌های شواهد چه هستند؟
به شواهد مربوط به صحت AI در تشخیص قوز قرنیه آشکار اعتماد کمی داریم و به شواهد مربوط به تشخیص قوز قرنیه زودهنگام اعتماد کمی داشته یا اعتماد نداریم. در نحوه انجام مطالعات مشکلاتی وجود داشت که ممکن است باعث شود AI دقیق‌تر از آنچه هست به نظر برسد.
شواهد تا چه زمانی به‌روز است؟
شواهد تا 29 نوامبر 2022 به‌روز است.
به نظر می‌رسد که هوش مصنوعی یک ابزار تریاژ امیدوارکننده در چشم پزشکی برای تشخیص قوز قرنیه باشد. صحت تست برای قوز قرنیه آشکار، بسیار بالا و برای قوز قرنیه تحت بالینی کمی پائین‌تر بود، که نشان‌دهنده احتمال بالاتر از دست دادن تشخیص در افراد بدون علائم بالینی است. این امر می‌تواند منجر به پیشرفت قوز قرنیه یا اندیکاسیونی اشتباه برای جراحی انکساری شود و بیماری را بدتر کند.
به دلیل خطر بالای سوگیری ، ناهمگونی غیرقابل توضیح نتایج و نگرانی‌های زیاد در مورد قابلیت کاربرد نتایج، که همگی باعث کاهش اعتماد ما به شواهد می‌شوند، نمی‌توانیم به نتیجه‌گیری‌های روشن و قابل اعتمادی دست یابیم.
استانداردسازی بیشتر در پژوهش‌های آتی، کیفیت مطالعات را افزایش داده و قابلیت مقایسه میان مطالعات را بهبود می‌بخشد.
تشخیص قوز قرنیه یا کراتوکونوس (keratoconus) به خصوص در مراحل اولیه دشوار است. این وضعیت یک اختلال پیشرونده قرنیه است که از سنین پائین شروع می‌شود. تشخیص بر اساس معاینه بالینی و تصویربرداری از قرنیه است؛ اگرچه در مراحل اولیه، زمانی که علائم بالینی وجود ندارد، تشخیص بستگی به تفسیر تصویربرداری قرنیه (برای مثال توپوگرافی و توموگرافی) توسط متخصصان آموزش‌دیده قرنیه دارد. استفاده از هوش مصنوعی (artificial intelligence; AI) برای آنالیز تصاویر قرنیه و تشخیص موارد قوز قرنیه می‌تواند به پیشگیری از کاهش حدت بینایی و حتی پیوند قرنیه کمک کند. با این حال، تشخیص نادرست در افرادی که به دنبال جراحی انکساری (refractive surgery) هستند، می‌تواند منجر به ضعیف شدن قرنیه و اکتازی (ectasia) شبه-قوز قرنیه شود. نیاز به یک بررسی اجمالی قابل اعتماد از صحت (accuracy) استفاده از AI برای تشخیص قوز قرنیه و قابلیت کاربرد این روش خودکار در محیط بالینی وجود دارد.
ارزیابی صحت تشخیصی الگوریتم‌های هوش مصنوعی (AI) برای تشخیص قوز قرنیه در افرادی که با عیوب انکساری مراجعه می‌کنند، به ویژه افرادی که دیدشان دیگر با عینک قابل اصلاح نیست، کسانی که به دنبال جراحی انکساری قرنیه هستند، و افرادی که مشکوک به قوز قرنیه هستند. AI می‌تواند به چشم پزشکان، اوپتومتریست‌ها و دیگر متخصصان مراقبت چشم کمک کند تا در مورد ارجاع به متخصصان قرنیه تصمیم‌گیری کنند.
اهداف ثانویه
ارزیابی علل بالقوه ناهمگونی (heterogeneity) ارائه شده در زیر، در عملکرد تشخیصی در سراسر مطالعات.
• الگوریتم‌های مختلف AI (برای مثال شبکه‌های عصبی، درخت تصمیم‌گیری (decision trees)، ماشین‌های وکتور پشتیبان (support vector machines))
• روش‌شناسی (methodology) تست شاخص (index test) (تکنیک‌های پیش پردازش (preprocessing technique)، روش core AI، و تکنیک‌های پس پردازش (postprocessing technique))
• منابع ورودی برای الگوریتم‌های آموزشی (تصاویر توپوگرافی و توموگرافی از سیستم دیسک Placido، سیستم Scheimpflug، سیستم اسکن اسلیت (slit-scanning)، یا توموگرافی انسجام نوری (optical coherence tomography; OCT)؛ تعداد موارد/تصاویر آموزشی و تستی؛ متغیر برچسب/نقطه پایانی (endpoint) مورد استفاده برای آموزش)
• محیط انجام مطالعه
• طراحی مطالعه
• قومیت، یا منطقه جغرافیایی به عنوان پروکسی آن
• معیارهای مختلف مثبت بودن تست شاخص ارائه شده توسط دستگاه توپوگرافی یا توموگرافی
• استاندارد مرجع، توپوگرافی یا توموگرافی، یک یا دو متخصص قرنیه
• تعریف قوز قرنیه
• میانگین سنی شرکت‌کنندگان
• ورود شرکت‌کنندگان
• شدت قوز قرنیه (از نظر بالینی آشکار یا تحت بالینی (subclinical))
CENTRAL (شامل پایگاه ثبت کارآزمایی‌های گروه چشم و بینایی در کاکرین)؛ Ovid MEDLINE؛ Ovid Embase؛ OpenGrey؛ ISRCTN registry؛ ClinicalTrials.gov و پلتفرم بین‌المللی پایگاه ثبت کارآزمایی‌های بالینی سازمان جهانی بهداشت (WHO ICTRP) را جست‌وجو کردیم. هیچ محدودیتی را از نظر تاریخ یا زبان نگارش مقاله در جست‌وجوهای الکترونیکی برای یافتن کارآزمایی‌ها اعمال نکردیم. آخرین جست‌وجو در بانک‌های اطلاعاتی الکترونیکی را در 29 نوامبر 2022 انجام دادیم.
مطالعات مورد-شاهدی تشخیصی و مقطعی (cross-sectional) را وارد کردیم که AI را برای تشخیص قوز قرنیه با استفاده از توپوگرافی، توموگرافی یا هر دو مورد بررسی قرار دادند. مطالعاتی را وارد کردیم که قوز قرنیه آشکار، قوز قرنیه تحت بالینی، یا هر دو، را تشخیص دادند. استاندارد مرجع عبارت بود از تفسیر تصاویر توپوگرافی یا توموگرافی توسط حداقل دو متخصص قرنیه.
دو نویسنده مرور به‌طور مستقل از هم داده‌های مطالعه را استخراج و کیفیت مطالعات را با استفاده از ابزار ارزیابی کیفی صحت تشخیصی مطالعات (یا Quality Assessment of Diagnostic Accuracy Studies; QUADAS-2) ارزیابی کردند. زمانی که مقاله‌ای حاوی چندین الگوریتم AI بود، الگوریتمی را با بالاترین شاخص Youden انتخاب کردیم. قطعیت شواهد را با استفاده از رویکرد درجه‌بندی توصیه، ارزیابی، توسعه و ارزشیابی (Grading of Recommendations Assessment, Development and Evaluation; GRADE) بررسی کردیم.
تعداد 63 مطالعه را که میان سال‌های 1994 و 2022 منتشر شدند، و صحت AI را برای تشخیص قوز قرنیه توسعه و بررسی کردند، وارد این مرور کردیم. سه واحد مختلف آنالیز در مطالعات وجود داشت: چشم‌ها، شرکت‌کنندگان، و تصاویر. چهل و چهار مطالعه 23,771 چشم، چهار مطالعه 3843 شرکت‌کننده و 15 مطالعه 38,832 تصویر را آنالیز کردند.
پنجاه چهار مقاله، تشخیص قوز قرنیه آشکار را ارزیابی کردند، در این مقالات این بیماری تحت عنوان قرنیه‌ای که هر گونه علامت بالینی قوز قرنیه را نشان می‌دهد، تعریف شد. صحت AI تقریبا کامل به نظر می‌رسد، برآورد حساسیت (sensitivity) معادل 98.6% (95% فاصله اطمینان (CI)؛ 97.6% تا 99.1%) و برآورد ویژگی (specificity) برابر با 98.3% (95% CI؛ 97.4% تا 98.9%) بود. با این حال، صحت آن در طول مطالعات متفاوت بوده و قطعیت شواهد در سطح پائین قرار داشت.
بیست و هشت مقاله تشخیص قوز قرنیه تحت بالینی را ارزیابی کردند، اگرچه تعریف تحت بالینی متفاوت بود. قوز قرنیه تحت بالینی، forme fruste، و چشم‌های بسیار نامتقارن را با هم گروه‌بندی کردیم. تست‌ها، صحت خوبی را با برآورد حساسیت معادل 90.0% (95% CI؛ 84.5% تا 93.8%) و برآورد ویژگی معادل 95.5% (95% CI؛ 91.9% تا 97.5%) نشان دادند. با این حال، قطعیت شواهد برای حساسیت در سطح بسیار پائین و برای ویژگی در سطح پائین بود.
در هر دو گروه، اکثر مطالعات را در معرض خطر بالای سوگیری (bias)، با نگرانی‌هایی زیاد در رابطه با قابلیت کاربرد نتایج، در حوزه انتخاب بیمار، درجه‌بندی کردیم، زیرا بیشتر مطالعات مورد-شاهدی بودند. علاوه بر این، قطعیت شواهد را به دلیل سوگیری انتخاب (selection bias)، ناهمگونی و عدم دقت (imprecision)، در سطح پائین تا بسیار پائین قرار دادیم.
نتوانستیم ناهمگونی میان مطالعات را توضیح دهیم. آنالیز حساسیت بر اساس طراحی مطالعه، الگوریتم AI، تکنیک تصویربرداری (توپوگرافی در برابر توموگرافی)، و منبع داده‌ها (پارامترها در برابر تصاویر) تفاوتی را در نتایج نشان نداد.
این متن توسط مرکز کاکرین ایران به فارسی ترجمه شده است.