ใจความสำคัญ
• รวบรวมการศึกษาที่เกี่ยวกับปัญญาประดิษฐ์ (AI) ที่สามารถระบุโรคกระจกตาโป่งได้ สิ่งนี้อาจนำไปสู่การตรวจพบและป้องกันการสูญเสียการมองเห็นตั้งแต่เนิ่นๆ
• การประมาณค่ามีความคล้ายกันสำหรับประเภทของอัลกอริธึม AI ที่แตกต่างกัน
• เรามีความมั่นใจในหลักฐานเพียงเล็กน้อย; จำเป็นต้องมีการวิจัยเพิ่มเติมในหัวข้อนี้
อะไรคือโรคกระจกตาโป่งและทำไมการวินิจฉัยตั้งแต่ระยะแรกๆ จึงสำคัญมาก
โรคกระจกตาโป่งเป็นโรคที่เกี่ยวกับกระจกตา (มีความใสชัดเจนด้านหน้าของดวงตา) ที่ส่งผลกระทบต่อผู้ที่มีอายุตั้งแต่ 10 ถึง 40 ปี ในผู้ที่ได้รับผลกระทบ กระจกตาจะอ่อนแอและบางลงเมื่อเวลาผ่านไปในหลายปี และจะค่อยๆ นูนออกมากลายเป็นรูปทรงกรวย ซึ่งจะนำไปสู่การมองเห็นที่ลดลง การสวมแว่นตาสามารถแก้ไขปัญหานี้ได้ในระยะแรกของโรคกระจกตาโป่ง แต่เมื่อเวลาผ่านไปมันไม่ใช่วิธีการแก้ปัญหาที่เหมาะสมโรคจะรุนแรงมากขึ้น การวินิจฉัยโรคตั้งแต่เนิ่นๆ เป็นสิ่งจำเป็นเพื่อให้แน่ใจว่าจะมีการติดตามและการรักษา ซึ่งจะช่วยป้องกันการสูญเสียการมองเห็น
การวินิจฉัยโรคกระจกตาโป่งนั้นขึ้นอยู่กับการตรวจดวงตา (ตรวจวัดดวงตาและประเมินกระจกตาด้วยลำแสงส่องในลักษณะแนวดิ่งและกล้องจุลทรรศน์) และการสร้างภาพ (เทคนิคที่ใช้คอมพิวเตอร์ช่วยในการสร้างภาพสามมิติหรือการทำแผนที่ของกระจกตา) การอ่านผลของภาพอาจเป็นเรื่องที่ท้าทาย โดยเฉพาะอย่างยิ่งในส่วนของสถานดูแลดวงตาเบื้องต้นและในระยะเริ่มแรกของโรค การที่ไม่ได้นึกถึงโรคกระจกตาโป่งอาจทำให้อาการของโรคแย่ลงและการมองเห็นแย่ลง ตัวอย่างเช่น คนที่มีความเสี่ยงต่อการเกิดโรคกระจกตาโป่งที่ได้รับการผ่าตัดแก้ไขสายตาผิดปกติ (การผ่าตัดเพื่อแก้ไขการมองเห็น) อาจทำให้การมองเห็นแย่ลงได้
ปัญญาประดิษฐ์คืออะไร และสามารถช่วยตรวจจับโรคกระจกตาโป่งได้อย่างไร
การตรวจหาโรคกระจกตาโป่งจากภาพเป็นสิ่งที่ท้าทาย โดยเฉพาะอย่างยิ่งสำหรับแพทย์ที่ไม่ได้รับการฝึกอบรม AI ช่วยให้เครื่องจักรกลมีความสามารถในการปรับตัว ใช้เหตุผล และค้นหาวิธีแก้ปัญหา อัลกอริทึมสามารถพัฒนาและฝึกเพื่อวิเคราะห์ภาพของกระจกตาและจดจำลักษณะของโรคกระจกตาโป่งได้ การทดสอบเหล่านี้สามารถช่วยจักษุแพทย์ นักตรวจวัดสายตา และผู้เชี่ยวชาญด้านการดูแลดวงตาอื่นๆ ในการวินิจฉัยและส่งผู้ป่วยที่เป็นโรคกระจกตาโป่งไปยังผู้เชี่ยวชาญด้านกระจกตาได้ทันเวลาเพื่อรักษาการมองเห็นของพวกเขา มีอัลกอริธึมหลายประเภทที่แตกต่างกัน แต่ทั้งหมดจะแยกแยะระหว่างดวงตาที่มีสุขภาพดีและโรคกระจกตาโป่งตามภาพของกระจกตา
เราต้องการค้นหาอะไร
จุดมุ่งหมายของการทบทวนวรรณกรรมนี้คือเพื่อค้นหาว่า AI สามารถวินิจฉัยโรคกระจกตาโป่งได้อย่างถูกต้องในผู้ที่เข้ารับการผ่าตัดแก้ไขสายตาผิดปกติ และผู้ที่การมองเห็นไม่สามารถแก้ไขได้ด้วยการสวมแว่นตา
เราทำอะไรไปแล้วบ้าง
เราค้นหาการศึกษาที่ตรวจสอบความแม่นยำของ AI ในการวินิจฉัยโรคกระจกตาโป่งโดยเฉพาะอย่างยิ่งในผู้ที่เข้ารับการผ่าตัดแก้ไขสายตาผิดปกติ หรือผู้ที่การมองเห็นไม่สามารถแก้ไขได้ด้วยการสวมแว่นตา เราเปรียบเทียบและสรุปผลการศึกษาที่คำนวณความแม่นยำ 2 ค่า ได้แก่ ความไว (ความสามารถของ AI ในการระบุผู้ที่เป็นโรคกระจกตาโป่งได้อย่างถูกต้อง) และความจำเพาะ (ความสามารถของ AI ในการตัดผู้ที่ไม่ได้เป็นโรคกระจกตาโป่งออกได้อย่างถูกต้อง) ยิ่งความไวและความจำเพาะใกล้ถึง 100% อัลกอริธึมก็จะยิ่งดีขึ้นเท่านั้น
ผู้วิจัยค้นพบอะไรบ้าง
เราพบการศึกษาทั้งหมด 63 ฉบับที่ใช้หน่วยที่แตกต่างกัน 3 แบบ (ดวงตา ผู้เข้าร่วมในการศึกษา และรูปภาพ) เพื่อวิเคราะห์ความแม่นยำของ AI ในการตรวจหาโรคกระจกตาโป่ง: การศึกษา 44 ฉบับ วิเคราะห์ดวงตา 23,771 ดวง การศึกษา 4 ฉบับวิเคราะห์ผู้เข้าร่วมในการศึกษา 3843 คน และการศึกษา 15 ฉบับ วิเคราะห์รูปภาพ 38,832 ภาพ
ความแม่นยำของ AI ในการตรวจจับโรคกระจกตาโป่งที่แสดงอาการ (โรคกระจกตาโป่งที่สามารถตรวจพบได้จากการตรวจทางคลินิก) อยู่ในระดับสูง หากทดสอบ 1000 คน ผู้ที่มีภาวะกระจกตาโป่ง 30 คนจะถูกส่งต่อไปยังผู้เชี่ยวชาญด้านกระจกตาอย่างถูกต้อง และจะไม่มีข้อผิดพลาด จาก 970 คนที่เหลือ (ไม่พบโรคกระจกตาโป่ง) มีเพียง 17 คนเท่านั้นที่ถูกส่งต่อผิดพลาด คนเหล่านี้จะได้รับการทดสอบแบบไม่รุกรานเข้าสู่ร่างกายเพิ่มเติมเพื่อตรวจสอบว่าพวกเขามีโรคกระจกตาโป่งหรือไม่
ความแม่นยำของ AI ในการตรวจหาโรคกระจกตาโป่งในระยะเริ่มแรกนั้นต่ำกว่า หากทดสอบ 1000 คน ผู้ที่มีภาวะกระจกตาโป่ง 9 คนจะถูกส่งต่อไปยังผู้เชี่ยวชาญด้านกระจกตาอย่างถูกต้อง และจะไม่มีข้อผิดพลาด หากบุคคลนี้ได้รับการผ่าตัดแก้ไขสายตาผิดปกติ จะทำให้โรคนี้รุนแรงขึ้นและทำให้การมองเห็นแย่ลง ในจำนวนที่เหลือ 990 คน (ที่ไม่มีโรคกระจกตาโป่ง) จะมี 941 คนที่มั่นใจได้ว่าพวกเขาจะไม่เป็นโรคนี้ และควรที่จะได้รับการผ่าตัดแก้ไขสายตาผิดปกติหรือใส่แว่นตา แต่จะมี 49 คนจะถูกส่งต่อผิดพลาด
หลักฐานแสดงให้เห็นว่า AI อาจตรวจจับโรคกระจกตาโป่งที่แสดงอาการได้ดี แต่อาจไม่เหมาะสำหรับการตรวจคัดกรองโรคกระจกตาโป่งในระยะเริ่มแรก
ข้อจำกัดของหลักฐานคืออะไร
เรามีความมั่นใจเพียงเล็กน้อยในหลักฐานเกี่ยวกับความแม่นยำของ AI ในการตรวจหาโรคกระจกตาโป่งที่แสดงอาการออกมา และเรามีความมั่นใจเพียงเล็กน้อยหรือไม่มีเลยในหลักฐานที่เกี่ยวข้องกับโรคกระจกตาโป่งในระยะเริ่มแรก มีปัญหาบางประการว่าการศึกษานั้นถูกดำเนินการอย่างไรซึ่งอาจทำให้ผลของ AI ให้ผลของความแม่นยำมากกว่าความเป็นจริง
หลักฐานนี้เป็นปัจจุบันแค่ไหน
หลักฐานเป็นข้อมูลล่าสุดจนถึงวันที่ 29 พฤศจิกายน 2022
ดูเหมือนว่า AI มีแนวโน้มที่จะเป็นเครื่องมือในการคัดแยกผู้ป่วยในการทำหัตถการด้านจักษุวิทยาสำหรับการวินิจฉัยโรคกระจกตาโป่ง การทดสอบความแม่นยำมีค่าสูงมากของโรคกระจกตาโป่งที่แสดงอาการและต่ำกว่าเล็กน้อยของโรคกระจกตาโป่งที่ไม่แสดงอาการ ซึ่งบ่งชี้ว่ามีโอกาสสูงกว่าที่จะวินิจฉัยผิดพลาดในผู้ที่ไม่มีอาการทางคลินิก สิ่งนี้อาจนำไปสู่การลุกลามของโรคกระจกตาโป่ง หรือข้อบ่งชี้ที่ผิดพลาดสำหรับการผ่าตัดแก้ไขสายตาผิดปกติ ซึ่งจะทำให้อาการของโรคแย่ลง
เราไม่สามารถให้ข้อสรุปที่ชัดเจนและเชื่อถือได้เนื่องจากมีความเสี่ยงที่จะเกิดอคติสูง ความหลากหลายของผลลัพธ์ที่ไม่สามารถอธิบายได้ และข้อกังวลเรื่องการนำไปประยุกต์ใช้สูง ซึ่งทั้งหมดนี้ลดความมั่นของเราต่อหลักฐาน
การสร้างมาตรฐานที่ดีขึ้นในการวิจัยในอนาคตจะช่วยเพิ่มคุณภาพของการศึกษาและเพิ่มความสามารถในการเปรียบเทียบระหว่างการศึกษา
โรคกระจกตาโป่งยังคงเป็นโรคที่วินิจฉัยได้ยาก โดยเฉพาะในระยะแรกๆ มันเป็นโรคที่กระจกตามีพัฒนาการที่ผิดปกติซึ่งเริ่มเป็นตั้งแต่อายุยังน้อย การวินิจฉัยนั้นขึ้นอยู่กับการตรวจทางคลินิกและการถ่ายภาพกระจกตา แม้ว่าในระยะแรกไม่มีอาการทางคลินิก การวินิจฉัยจะขึ้นอยู่กับการมองจากภาพถ่ายกระจกตา (เช่น ภูมิลักษณะและเอกซเรย์กระจกตา) โดยผู้เชี่ยวชาญด้านกระจกตาที่ผ่านการฝึกอบรม การใช้ปัญญาประดิษฐ์ (AI) เพื่อวิเคราะห์ภาพถ่ายกระจกตาและตรวจหาโรคกระจกตาโป่งสามารถช่วยป้องกันการสูญเสียการมองเห็นและแม้กระทั่งการปลูกถ่ายกระจกตา อย่างไรก็ตาม การวินิจฉัยที่ผิดพลาดในผู้ที่เข้ารับการผ่าตัดรักษาภาวะสายตาผิดปกติอาจทำให้กระจกตาอ่อนแอลงและเกิดภาวะโป่งพองที่คล้ายกับโรคกระจกตาโป่งได้ จำเป็นต้องมีความน่าเชื่อถือในความแม่นยำในภาพรวมของ AI ในการตรวจจับโรคกระจกตาโป่งและการประยุกต์ใช้วิธีการนี้แบบอัตโนมัติในทางคลินิก
เพื่อประเมินความแม่นยำในการวินิจฉัยของอัลกอริธึมปัญญาประดิษฐ์ (AI) ในการตรวจหาโรคกระจกตาโป่งในผู้ที่มีความผิดปกติทางสายตา โดยเฉพาะผู้ที่การมองเห็นไม่สามารถแก้ไขได้ด้วยการใส่แว่นตา ผู้ที่ต้องการเข้ารับการผ่าตัดรักษาสายตาผิดปกติของกระจกตา และผู้ที่สงสัยว่าจะเป็นโรคกระจกตาโป่ง AI สามารถช่วยให้จักษุแพทย์ นักตรวจวัดสายตา และผู้เชี่ยวชาญด้านการดูแลดวงตาอื่นๆ ตัดสินใจส่งต่อไปยังผู้เชี่ยวชาญด้านกระจกตาได้
วัตถุประสงค์รอง
เพื่อประเมินสาเหตุที่เป็นไปได้ของความหลากหลายในประสิทธิภาพของการวินิจฉัยในการศึกษาต่างๆ
• อัลกอริธึม AI ที่แตกต่างกัน (เช่น neural networks, decision trees, support vector machines)
• วิธีการทดสอบดัชนี (เทคนิคก่อนการประมวลผล วิธี AI หลัก และเทคนิคหลังการประมวลผล)
• แหล่งที่นำเข้ามาเพื่อฝึกอัลกอริธึม (ภาพภูมิลักษณะและเอกซเรย์รูปภาพจาก ระบบ Placido disc ระบบ Scheimpflug ระบบ slit-scanning หรือเครื่องครวจวิเคราะห์จอประสาทตา optical coherence tomography (OCT) จำนวนของการฝึกและการทดสอบแต่ละกรณี/รูปภาพ ตัวแปรที่เป็นเครื่องหมาย/จุดสิ้นสุดที่ใช้สำหรับการฝึก)
• สถานที่ที่ทำการศึกษา
• การออกแบบการศึกษา
• เชื้อชาติหรือพื้นที่ทางภูมิศาสตร์เป็นตัวแทน
• เกณฑ์ดัชนีผลบวกของการทดสอบที่แตกต่างกันที่มาจากภูมิลักษณะหรืออุปกรณ์เอกซเรย์
• มาตรฐานอ้างอิง ภูมิลักษณะหรือเอกซเรย์ ผู้เชี่ยวชาญด้านกระจกตา 1 หรือ 2 คน
• คำจำกัดความของโรคกระจกตาโป่ง
• อายุเฉลี่ยของผู้เข้าร่วมในการศึกษา
• การรับสมัครผู้เข้าร่วมในการศึกษา
• ความรุนแรงของโรคกระจกตาโป่ง (ที่แสดงอาการทางคลินิกหรือที่ไม่แสดงอาการทางคลินิก)
ผู้วิจัยสืบค้นจาก CENTRAL (ซึ่งรวมถึง Cochrane Eyes and Vision Trials Register), Ovid MEDLINE, Ovid Embase, OpenGrey, the ISRCTN registry, ClinicalTrials.gov, and the World Health Organization International Clinical Trials Registry Platform (WHO ICTRP) ไม่มีข้อจำกัดในด้านวันที่หรือภาษาในการค้นหาทางอิเล็กทรอนิกส์สำหรับการทดลอง เราค้นหาฐานข้อมูลอิเล็กทรอนิกส์ครั้งล่าสุดเมื่อวันที่ 29 พฤษจิกายน 2022
เรารวบรวมการศึกษาแบบภาคตัดขวางและการศึกษาเชิงวินิจฉัยที่มีกลุ่มควบคุม ซึ่งทดสอบ AI สำหรับการวินิจฉัยโรคกระจกตาโป่งโดยใช้ภูมิลักษณะ เอกซเรย์ หรือทั้งสองอย่าง เรารวบรวมการศึกษาที่วินิจฉัยโรคกระจกตาโป่งแบบที่แสดงอาการ, แบบที่ไม่แสดงอาการ หรือทั้งสองอย่าง มาตรฐานอ้างอิงคือการวินิจฉัยจากภาพภูมิลักษณะหรือภาพเอกซเรย์โดยผู้เชี่ยวชาญด้านกระจกตาอย่างน้อย 2 คน
ผู้ทบทวนวรรณกรรม 2 คนเป็นอิสระต่อกันในการดึงข้อมูลการศึกษาและประเมินคุณภาพของการศึกษาโดยใช้เครื่องมือการประเมินคุณภาพของความแม่นยำในการวินิจฉัยของการศึกษา (QUADAS‐2) เมื่อมี 1 บทความที่มีอัลกอริธึมของ AI หลายตัว เราจะเลือกอัลกอริธึมที่มีดัชนีของ Youden สูงสุด เราประเมินความเชื่อมั่นของหลักฐานโดยใช้แนวทาง GRADE
เรารวมการศึกษา 63 ฉบับที่ตีพิมพ์ระหว่างปี 1994 ถึง 2022 ซึ่งพัฒนาและตรวจสอบความแม่นยำของ AI สำหรับการวินิจฉัยโรคกระจกตาโป่ง การศึกษามีหน่วยการวิเคราะห์ที่แตกต่างกัน 3 หน่วย: ดวงตา ผู้เข้าร่วม และรูปภาพ การศึกษา 44 ฉบับ วิเคราะห์ดวงตา 23,771 ดวง การศึกษา 4 ฉบับวิเคราะห์ผู้เข้าร่วมในการศึกษา 3843 คน และการศึกษา 15 ฉบับ วิเคราะห์รูปภาพ 38,832 ภาพ
บทความ 54 บทความประเมินการตรวจหาโรคกระจกตาโป่งที่มีอาการชัดเจน ที่นิยามใว้ว่ากระจกตาที่แสดงอาการทางคลินิกใดใดของโรคกระจกตาโป่ง ความแม่นยำของ AI ดูเหมือนเกือบจะสมบูรณ์แบบ โดยมีความไวรวม 98.6% (ช่วงความเชื่อมั่น 95% (CI) 97.6% ถึง 99.1%) และความจำเพาะรวม 98.3% (95% CI 97.4% ถึง 98.9%) อย่างไรก็ตาม ความแม่นยำแตกต่างกันไปในแต่ละการศึกษาและความเชื่อมั่นของหลักฐานต่ำ
บทความ 28 บทความประเมินการตรวจหาโรคกระจกตาโป่งแบบไม่แสดงอาการ แม้ว่าคำจำกัดความของการไม่แสดงอาการจะแตกต่างกันไป เราจัดกลุ่มโรคกระจกตาโป่งแบบไม่แสดงอาการ, รูปร่างผิดปกติ, และดวงตาที่ไม่สมมาตรอย่างมาก ไว้ด้วยกัน การทดสอบแสดงให้เห็นถึงความแม่นยำที่ดี โดยมีความไวรวม 90.0% (95% CI 84.5% ถึง 93.8%) และความจำเพาะรวม 95.5% (95% CI 91.9% ถึง 97.5%) อย่างไรก็ตาม ความเชื่อมั่นของหลักฐานนั้นต่ำมากสำหรับค่าความไวและ ต่ำสำหรับค่าความจำเพาะ
ในทั้งสองกลุ่ม เราให้คะแนนการศึกษาส่วนใหญ่มีความเสี่ยงสูงต่อการเกิดอคติ มีข้อกังวลเรื่องการนำไปใช้สูง ในด้านการคัดเลือกผู้ป่วย เนื่องจากการศึกษาส่วนใหญ่เป็นการศึกษาแบบมีกลุ่มควบคุม นอกจากนี้ พวกเรายังให้คะแนนความความเชื่อของหลักฐานตั้งแต่ต่ำไปถึงต่ำมาก เนื่องจากอคติในการคัดเลือก ความไม่สอดคล้องกัน และความไม่แม่นยำ
เราไม่สามารถอธิบายความแตกต่างระหว่างการศึกษาได้ การวิเคราะห์ความไวตามการออกแบบการศึกษา อัลกอริธึมของ AI เทคนิคการถ่ายภาพ (ภูมิลักษณะเทียบกับเอกซ์เรย์) และแหล่งข้อมูล (พารามิเตอร์เทียบกับรูปภาพ) ไม่พบความแตกต่างในผลลัพธ์
ผู้แปล ฎลกร จำปาหวาย