Nhấn mạnh
- Độ dày lớp sợi thần kinh võng mạc (RNFL) được dự đoán từ ảnh đĩa thị giác bằng học sâu có liên quan đến nguy cơ phát triển glaucoma góc mở nguyên phát (POAG) trong tăng nhãn áp.
- Các mô hình máy-máy (M2M) được huấn luyện trên dữ liệu OCT ước lượng chính xác độ dày RNFL từ ảnh đáy mắt, tránh nhu cầu sử dụng thiết bị OCT.
- Độ dày dự đoán RNFL ở thời điểm cơ bản và tốc độ mỏng đi theo thời gian được xác định bởi mô hình M2M dự đoán độc lập sự chuyển đổi sang POAG trong nhóm OHTS.
- Độ dày RNFL được dự đoán bằng M2M cung cấp một dấu ấn sinh học không xâm lấn, dễ tiếp cận để phân loại nguy cơ glaucoma và theo dõi tiến triển bệnh.
Nền tảng nghiên cứu và gánh nặng bệnh tật
Glaucoma góc mở nguyên phát (POAG) là nguyên nhân hàng đầu gây mù không thể phục hồi trên toàn thế giới, đặc trưng bởi mất dần tế bào thần kinh võng mạc và các trục của chúng, thể hiện lâm sàng bằng mỏng đi của lớp sợi thần kinh võng mạc (RNFL) và tổn thương dây thần kinh thị giác. Phát hiện sớm và theo dõi là quan trọng để ngăn ngừa mất thị lực. Tăng nhãn áp, được định nghĩa là áp suất nhãn cầu (IOP) cao mà không có tổn thương glaucoma rõ ràng, làm tăng đáng kể nguy cơ phát triển POAG. Nghiên cứu Điều trị Tăng Nhãn Áp (OHTS) đã xác định các yếu tố nguy cơ lâm sàng cho sự chuyển đổi nhưng chẩn đoán và theo dõi tiến triển glaucoma hiện nay thường phụ thuộc vào tomography quang học (OCT), vốn ít phổ biến toàn cầu và tốn kém.
Những tiến bộ gần đây trong học sâu cho phép dự đoán các dấu ấn sinh học hình ảnh như độ dày RNFL từ ảnh đĩa thị giác thông thường. Các phương pháp này có thể dân chủ hóa việc đánh giá rủi ro glaucoma bằng cách tận dụng dữ liệu ảnh hiện có mà không cần phụ thuộc vào OCT. Nghiên cứu này của Liu et al. điều tra khả năng của mô hình học sâu được huấn luyện bằng OCT (máy-máy, M2M) để dự đoán độ dày RNFL từ ảnh đĩa thị giác của bệnh nhân tăng nhãn áp và đánh giá giá trị tiên lượng cho sự phát triển POAG.
Thiết kế nghiên cứu
Nghiên cứu chẩn đoán này phân tích dữ liệu từ các thử nghiệm đa trung tâm OHTS 1 và 2, bao gồm 3272 mắt từ 1636 người tham gia có tăng nhãn áp nhưng không có glaucoma tại thời điểm đăng ký. Thời gian nghiên cứu kéo dài từ tháng 2 năm 1994 đến tháng 12 năm 2008. Dữ liệu ảnh đĩa thị giác cơ bản, thông tin nhân khẩu học và các tham số lâm sàng được bao gồm. Mô hình học sâu M2M, được huấn luyện trên độ dày RNFL từ OCT để diễn giải ảnh đĩa thị giác, đã tạo ra các giá trị độ dày RNFL dự đoán từ bộ dữ liệu lớn gồm 66.714 ảnh đĩa thị giác.
Kết quả chính tập trung vào mối tương quan giữa độ dày RNFL dự đoán và sự chuyển đổi sang POAG, được đánh giá bằng các mô hình Cox tỷ lệ nguy cơ trong phân tích đơn biến và đa biến. Các yếu tố nguy cơ POAG đã được thiết lập khác—tuổi, IOP, độ dày giác mạc trung tâm, các tham số trường nhìn, và tỷ lệ lõm đĩa—cũng được đánh giá.
Kết quả chính
Trong số 1444 người tham gia được phân tích, độ tuổi trung bình là 56,0 tuổi, 57,7% là nữ. Những mắt phát triển POAG có độ dày RNFL dự đoán trung bình ở thời điểm cơ bản thấp hơn đáng kể (94,1 μm) so với những mắt không chuyển đổi (97,1 μm), với sự chênh lệch trung bình 3,0 μm (95% CI, 2,2–3,8; P < .001).
Phân tích Cox đơn biến cho thấy mỗi giảm 10 μm trong độ dày RNFL dự đoán gần gấp đôi nguy cơ chuyển đổi sang POAG (HR 1,97; 95% CI 1,60–2,42; P < .001). Liên kết này vẫn có ý nghĩa sau khi điều chỉnh cho các yếu tố nguy cơ khác (HR 1,83; 95% CI 1,49–2,25; P < .001). Các yếu tố nguy cơ đã được thiết lập như tuổi cao, IOP cao, độ dày giác mạc trung tâm mỏng, trường nhìn chuẩn độ lệch tiêu chuẩn xấu, độ lệch trung bình và tỷ lệ lõm đĩa lớn hơn là các yếu tố dự đoán độc lập trong cả hai phân tích.
Quan trọng hơn, tốc độ mỏng đi theo thời gian của độ dày RNFL được dự đoán bởi mô hình là một yếu tố nguy cơ mạnh mẽ: mỗi giảm 1 μm/năm nhanh hơn tăng nguy cơ POAG sáu lần (HR 6,01; 95% CI 3,33–10,64; P < .001).
Các kết quả này xác nhận rằng độ dày và sự thay đổi động của độ dày RNFL dự đoán bằng M2M cung cấp thông tin tiên lượng vượt xa các tham số lâm sàng truyền thống cho sự phát triển glaucoma trong tăng nhãn áp.
Bình luận chuyên gia
Nghiên cứu này là một ứng dụng dịch thuật mạnh mẽ của trí tuệ nhân tạo trong nhãn khoa, sử dụng cách tiếp cận máy-máy nơi các mô hình học sâu được huấn luyện trên độ dày RNFL đo bằng OCT tạo ra các dấu ấn sinh học định lượng thay thế từ ảnh đĩa thị giác phổ biến rộng rãi.
Ưu điểm nằm ở tính dễ tiếp cận—ảnh đĩa thị giác là một phương thức chụp hình thường xuyên, chi phí thấp và di động, đặc biệt có giá trị trong các môi trường thiếu cơ sở hạ tầng OCT. Dự đoán độ dày RNFL từ những ảnh này có thể hỗ trợ cả phân loại rủi ro và theo dõi tiến triển mà không cần thiết bị chuyên dụng.
Tuy nhiên, phải xem xét một số hạn chế. Đội ngũ nghiên cứu bao gồm bệnh nhân từ một thử nghiệm lâm sàng có đặc điểm rõ ràng với theo dõi chặt chẽ; khả năng tổng quát hóa cho các quần thể đa dạng và các môi trường lâm sàng thực tế cần được kiểm chứng thêm. Ngoài ra, chất lượng hình ảnh và sự biến đổi giữa các thiết bị và người vận hành có thể ảnh hưởng đến hiệu suất của mô hình học sâu. Nghiên cứu tập trung vào các mắt có tăng nhãn áp, do đó tính hữu ích trong các loại glaucoma khác vẫn cần được xác định.
Dù có những vấn đề này, cách tiếp cận này phù hợp với xu hướng hiện tại nhằm tích hợp các thuật toán AI vào quy trình làm việc lâm sàng thường xuyên, nâng cao việc chẩn đoán sớm glaucoma và quản lý cá nhân hóa.
Kết luận
Nghiên cứu của Liu et al. minh họa mạnh mẽ rằng một mô hình học sâu được huấn luyện bằng OCT có thể dự đoán chính xác độ dày RNFL từ ảnh đĩa thị giác trong các mắt tăng nhãn áp và những dự đoán này dự báo độc lập nguy cơ chuyển đổi sang glaucoma góc mở nguyên phát.
Độ dày RNFL dự đoán ở thời điểm cơ bản và tốc độ giảm của nó là các dấu ấn sinh học có ý nghĩa bổ sung các yếu tố nguy cơ lâm sàng hiện có, cung cấp một phương pháp không xâm lấn, dễ tiếp cận để thông tin về đánh giá rủi ro glaucoma và theo dõi tiến triển bệnh. Các kết quả này mở rộng tiềm năng của phân tích hình ảnh được hỗ trợ bởi AI để cải thiện quyết định lâm sàng và kết quả của bệnh nhân trong chăm sóc glaucoma.
Nghiên cứu trong tương lai nên tập trung vào kiểm chứng triển vọng trên các quần thể rộng hơn và tích hợp vào các nền tảng thực hành lâm sàng cho hỗ trợ quyết định theo thời gian thực. Sáng kiến này đại diện cho một cuộc cách mạng hướng tới việc phân loại rủi ro nhãn khoa dễ tiếp cận, hiệu quả và định lượng hơn bằng trí tuệ nhân tạo.
