Sztuczna inteligencja w diagnostyce retinopatii cukrzycowej — jak AI zmienia okulistykę?

Współczesna okulistyka przechodzi znaczącą transformację dzięki coraz szerszemu zastosowaniu sztucznej inteligencji (AI) w analizie obrazów siatkówki. Modele oparte na głębokim uczeniu (ang. deep learning) umożliwiają automatyczne wykrywanie zmian chorobowych, co istotnie wpływa na wczesną diagnostykę i usprawnienie procesów klinicznych (Nguyen et al., 2025).

Jak skuteczna jest AI w wykrywaniu retinopatii?

Retinopatia cukrzycowa (DR) to jedno z głównych powikłań cukrzycy, prowadzące do ślepoty. W badaniach klinicznych opartych na dziesiątkach tysięcy obrazów z funduskamer systemy AI osiągają czułość (ang. sensitivity) na poziomie 87–94 %, a swoistość (ang. specificity) w podobnym zakresie — w zależności od warunków i użytej technologii (Hassan et al., 2024).

Przykładowo, metaanaliza 34 badań wykazała dokładność ogólną wynoszącą 81 %, czułość 94 % (95% CI: 92–96 %) i swoistość 89 % (95% CI: 85–92 %) (Hassan et al., 2024). W bardziej aktualnym przeglądzie 18 badań (z 2025 roku), AI uzyskała średnią czułość 0,877 i swoistość 0,906 w porównaniu z oceną ekspertów (Nguyen et al., 2025).

Co ciekawe, w trybie badań bez rozszerzenia źrenicy, system AI osiągnął czułość 90 % i swoistość 94 %, przewyższając klasyczne badania lekarskie (czułość 79 %, swoistość 99 %) (Lim et al., 2022).

Praktyczne wdrożenia i zastosowanie w realnych warunkach

Niektóre systemy AI zostały już zatwierdzone do użytku klinicznego przez FDA lub CE, m.in. EyeArt v2.1, IDx-DR i EyRis SELENA+ (Bhaskaranand et al., 2019; Lim et al., 2022).

EyeArt wykrywa zarówno umiarkowaną postać retinopatii (moderate DR), jak i formy zagrażające wzrokowi (vtDR) z czułością do 99 %, przy pewnym spadku swoistości (~80 %) (Bhaskaranand et al., 2019).

W badaniu multicentrycznym w Indiach, system AIDRSS przebadano na populacji ponad 5000 osób. Uzyskano czułość 92 %, swoistość 88 %, a w przypadku cięższych postaci DR (DR3/DR4) – czułość osiągnęła 100 % (Hassan et al., 2024).

Korzyści z zastosowania AI

• Szybkość i skalowalność: AI analizuje tysiące zdjęć w czasie krótszym niż 1 minuta, co znacząco redukuje czas oczekiwania na diagnozę (Nguyen et al., 2025).
• Wysoka skuteczność diagnostyczna: AI skutecznie identyfikuje wczesne stadia DR, nierzadko lepiej niż przeciętny lekarz (Lim et al., 2022).
• Odciążenie systemów ochrony zdrowia: Specjaliści mogą skupić się na przypadkach wymagających interwencji.
• Ekonomia i dostępność: W Chinach AI zwiększyło liczbę lat życia skorygowanych o jakość (QALY – Quality-Adjusted Life Years) przy relatywnie niskim koszcie – około 1100 USD za QALY (Acharya et al., 2023).

Ograniczenia i wyzwania

Mimo świetnych wyników w warunkach kontrolowanych, wdrażanie AI w realnych systemach opieki zdrowotnej nie jest pozbawione wyzwań:

• Jakość obrazów: W badaniach terenowych (np. w Tajlandii) aż 20 % zdjęć zostało odrzuconych przez systemy AI z powodu niewystarczającej jakości, co wpływa na dostępność diagnozy (Hassan et al., 2024).
• Różnice demograficzne i sprzętowe: Zmienność danych wejściowych może powodować niejednorodne wyniki w różnych populacjach.
• Ryzyko fałszywych alarmów: Zbyt wysoka czułość może prowadzić do wielu fałszywie pozytywnych wyników (ang. false positives), co obciąża system. Przykładowo, system DAIRET uzyskał czułość 100 %, ale niską swoistość – ok. 59 % (Hassan et al., 2024).

Sztuczna inteligencja oferuje przełomowe zmiany w diagnostyce retinopatii cukrzycowej. Dzięki wysokiej skuteczności, szybkości działania i potencjałowi wdrożenia na szeroką skalę, AI wspiera lekarzy i zwiększa dostępność opieki okulistycznej, zwłaszcza w krajach o ograniczonych zasobach.

Jednak, by w pełni wykorzystać ten potencjał, konieczne są:

• odpowiednie przygotowanie infrastruktury technicznej,
• standaryzacja jakości obrazów,
• edukacja użytkowników (lekarzy, techników),
• monitorowanie skutków długofalowych.

Przy właściwej integracji AI może stać się nie tylko narzędziem pomocniczym, ale filarowym elementem nowoczesnej profilaktyki ślepoty.

Bibliografia 

Acharya, U. R., et al. (2023). A pilot cost-analysis study comparing AI-based EyeArt® and human grading. Journal of Retina and Vitreous, 10, Article 547.

Bhaskaranand, M., Ramachandra, C., Bhat, S., Cuadros, J., Nittala, M. G., Sadda, S. R., & Solanki, K. (2019). The value of automated diabetic retinopathy screening with the EyeArt system: A study of more than 100,000 consecutive encounters. Diabetes Technology & Therapeutics.

Hassan, B., Raja, H., Akram, M. U., Abd-alrazaq, A. A., Yousefi, S., & Werghi, N. (2024). A comprehensive review of artificial intelligence models for screening major retinal diseases. Artificial Intelligence Review, 57(5), Article 111.

Lim, J. I., Regillo, C. D., Sadda, S. R., Ipp, E., Bhaskaranand, M., Ramachandra, C., & Solanki, K. (2022). Artificial intelligence detection of diabetic retinopathy: Subgroup comparison of the EyeArt system with ophthalmologists’ dilated examinations. Ophthalmology Science, 3(1), 100228.

Nguyen, D. M. H., Alam, H. M. T., Nguyen, T., Srivastav, D., Profitlich, H.-J., Le, N., & Sonntag, D. (2025). Deep learning for ophthalmology: The state-of-the-art and future trends. arXiv. https://arxiv.org/abs/2501.04073