Çin Üniversitesi ve Pekin Tongren Hastanesi'nden araştırmacılar, otomatik göz hastalığı teşhisi için çığır açan bir temel yapay zeka modeli olan VisionFM'i geliştirdi. Bu model, dünya genelinde 500.000'den fazla kişiden elde edilen 3,4 milyon görüntüden oluşan geniş bir oftalmik veri kümesi üzerinde önceden eğitildi. Bu eğitim veri seti, sekiz farklı göz görüntüleme yöntemini, çeşitli hastalıkları ve klinik senaryoları kapsıyordu.
VisionFM, göz hastalığı teşhisi, hastalık ilerlemesinin tahmini, göz görüntüleme yoluyla sistemik biyobelirteç tahmini, kafa içi tümör tahmini ve lezyon, damar ve katman segmentasyonu gibi çoklu uygulamalar için 53 halka açık ve 12 özel veri setinden oluşan bir oftalmik veri tabanında test edildi. Bu testlerin sonuçları, New England Journal of Medicine'in NEJM AI sayısında yayınlandı.
Çalışma, yapay zeka modelinin göz hastalıklarını teşhis etmede, dört ila sekiz yıllık klinik deneyime sahip bir göz doktoruna benzer bir doğruluk gösterdiğini ortaya koydu. Fundus fotoğraflarından 12 göz hastalığının tanısal doğruluğunun karşılaştırmalı bir çalışmasında, VisionFM, orta düzey oftalmologlara yakın tanısal doğruluk gösterdi. Model, ön eğitim sırasında maruz kalmadığı bir görüntüleme yöntemi kullanarak diyabetik retinopatiyi bile doğru bir şekilde (%90'ın üzerinde) derecelendirdi.
Bir diğer dikkat çekici bulgu ise, VisionFM'in fundus görüntülerinden kafa içi tümör varlığını tahmin edebilmesiydi ki bu, araştırmacıların bir atılım olarak nitelendirdiği bir durum. Oftalmologlar ve radyologlar için bir fundus görüntüsünden kafa içi tümör varlığını çıkarmak nispeten zorken, VisionFM doğrudan fundus görüntülerinden doğru tahminler yapabiliyor ve bu görev için doğrulanmış ilk yapay zeka modeli. Ek olarak, model fundus fotoğraflarından glokom ilerlemesini doğru bir şekilde tahmin edebiliyor.
CUHK ve Pekin Tongren Hastanesi, temel modellerinin, otomatik oftalmik teşhis için benzer mevcut yapay zeka modellerinin sınırlarının ötesine geçen türünün ilk örneği olduğunu iddia ediyor. Araştırmacılara göre, bu modeller, toplamanın maliyetli ve zaman alıcı olabileceği büyük miktarda etiketli veriye dayanıyor. Mevcut modellerin çoğu ayrıca tek bir veya birkaç göz hastalığını hedefliyor ve yalnızca bir görüntüleme yöntemini, özellikle de fundus fotoğraflarını kullanıyor. Modelin düşük maliyetli retinal görüntülerden doğrudan tümörleri tahmin edebilme yeteneğinin önemli bulgusu - benzer modeller arasında bir ilk - "toplum ve birinci basamak sağlık hizmetlerinde erken teşhis için büyük bir potansiyele sahip" olduğunu vurguladılar.
