ИИ и зрение: как алгоритмы учатся предсказывать риск слепоты за годы до клиники

За последние годы офтальмология стала одной из самых «оцифрованных» областей медицины: миллионы снимков сетчатки и томограмм позволяют обучать нейросети видеть ранние признаки заболеваний раньше врача. Новые работы заявляют, что по ретинальным данным можно оценивать риск потери зрения задолго до явных симптомов. Мы разбираем, что уже подтверждено клиническими публикациями, где появились перспективные прототипы и какие ограничения придётся учесть, прежде чем говорить о массовом внедрении.


Медицина зрения начала переход к предиктивным моделям с задач диагностического скрининга. Ключевой массив данных — цветные фотографии глазного дна (fundus) и оптическая когерентная томография (ОКТ). На них алгоритмы учатся распознавать маркеры диабетической ретинопатии, прогрессирование возрастной макулярной дегенерации (ВМД), глаукомные изменения диска зрительного нерва. Уже в 2018 году консорциум UCL–Moorfields–DeepMind показал систему, сравнимую с экспертами при принятии реферальных решений по десяткам ретинальных патологий; с тех пор подход только укрепился: вместо «узких» детекторов появились большие модели, способные переносить знания между сумежными задачами.

Что означает «за годы до клиники». В предиктивных исследованиях речь чаще идёт не о точной дате диагноза, а о вероятности события в заданном окне времени. Для ВМД и диабетической ретинопатии это 12–36 месяцев: модели оценивают риск перехода в угрожающее зрению состояние по совокупности слабых признаков на ОКТ/фундус‑снимках, которые врачу в рутинном осмотре трудно взвесить. Там, где данные достаточно «чистые» (одна камера/один протокол), точность выше; в мультицентровых выборках метрики снижаются — это важное ограничение для реальной практики.

Большие ретинальные модели. В 2023–2025 годах офтальмологию активно осваивают foundation‑модели, обученные на миллионах анонимизированных ОКТ и снимков глазного дна. Их сила — в переносе: модель, обученная на одной задаче (например, сегментации слоёв сетчатки), помогает в другой (оценка прогрессирования). Публикации исследовательских групп из Лондона и Сингапура показывают, что такие модели улучшают стабильность прогноза риска для разных устройств и клиник. Это шаг к тому, чтобы говорить о раннем предупреждении пациентов группы риска и персонализированных интервалах наблюдения.

Где границы. Обещание «за годы до» упирается в дизайн исследований:
— Когортные данные должны охватывать длительное наблюдение без «потери» пациентов;
— Нужна внешняя валидация в независимых клиниках и на других устройствах;
— Важен разбор отказов: для кого модель систематически ошибается (например, редкие коморбидные состояния, высокая миопия, артефакты ОКТ).
Без этого регуляторы не разрешат автономные решения — только ассистенты врача.

Практический эффект здесь и сейчас. Уже сегодня алгоритмы полезны как «второе мнение» при сортировке потоков в скрининге диабетической ретинопатии и для мониторинга прогрессирования ВМД: они помогают не пропускать высокорисковых пациентов и оптимизируют график визитов. Следующий шаг — прогноз на горизонте 2–3 лет с чёткими «порогами» риска и понятным пояснением, почему именно этот пациент попал в группу наблюдения.

Этика и коммуникация. Предсказание риска слепоты — чувствительная информация. Пациенту нужны не проценты «в вакууме», а план действий: как часто приходить, что менять в терапии и образе жизни, какие объективные маркеры будут считаться улучшением. Без этого предиктивная медицина превращается в источник тревожности.

ИЗНАНКА: 

Сетчатка стала «экраном» всего организма — от диабета до сердечно‑сосудистого риска. Но переход от красивых метрик на ретроспективных данных к рутине — это годы валидирующих исследований, стандарты съёма и прозрачные отчёты об ошибках. В офтальмологии этот путь уже начат — теперь главное не торопить обещания и доводить модели до воспроизводимых клинических решений.

Фото: соцсети.

Читайте, ставьте лайки, следите за обновлениями в наших социальных сетях и присылайте свои материалы в редакцию.

ИЗНАНКА — другая сторона событий.