Koniec wąskich specjalizacji. Modele bazowe wchodzą do gabinetów okulistycznych

Szybkie zdjęcie dna oka, 15 sekund analizy w chmurze i gotowy wynik z gradacją pilności wizyty. To nie futurystyczna wizja, a codzienność pilotażowych programów przesiewowych, które po Lubelszczyźnie ruszają na Mazowszu. Okulistyka przechodzi właśnie najpoważniejszą transformację od lat: od sztywnych algorytmów wyszkolonych do jednego zadania, po multimodalne modele bazowe zdolne do interpretacji setek schorzeń jednocześnie.

Dlaczego to ważne właśnie teraz? Nowe systemy, takie jak EyeFM, opuszczają laboratoria i przechodzą testy w polskim systemie ochrony zdrowia. Model ten, wytrenowany na 14,5 mln obrazów i 400 tys. tekstów klinicznych, udowodnił, że potrafi podnieść trafność diagnozy z 75,4% do ponad 92%. To realna zmiana, która może zdemokratyzować dostęp do specjalistycznej opieki, wykorzystując tańsze metody obrazowania zamiast kosztownego OCT.

Wielozadaniowość zamiast sztywnych algorytmów

Tradycyjne systemy diagnostyczne przypominały rzemieślników o bardzo ograniczonych horyzontach. Potrafiły wykryć jaskrę, ale gubiły się, gdy obraz pochodził z urządzenia innej marki lub pacjent miał nietypową pigmentację dna oka. Analiza międzynarodowego zespołu, w którym uczestniczył prof. Andrzej Grzybowski, wskazuje na fundamentalną zmianę: nadejście foundation models.

W przeciwieństwie do poprzedników, te systemy nie potrzebują żmudnego etykietowania każdego piksela pod konkretną chorobę. Uczą się ogólnych reprezentacji wizualnych, co pozwala im łączyć zdjęcia siatkówki z wywiadem medycznym i historią choroby. Jak podkreśla prof. Adrian Smędowski ze Śląskiego Uniwersytetu Medycznego: „Badanie to stanowi ważny krok w kierunku klinicznej translacji modeli AI, pokazując, że sztuczna inteligencja może realnie wspierać okulistów, zwiększając precyzję i efektywność ich pracy”.

Imponująca precyzja: od jaskry po 400 rzadkich chorób

Dane z lat 2020–2025 pokazują kolosalny skok wydajności. Model VisionFM w testach wykrywania AMD osiągnął wskaźnik AUC na poziomie 0,974. Jeszcze większe wrażenie robi RetiZero, który radzi sobie z rozpoznawaniem ponad 400 rzadkich jednostek chorobowych. Kluczem jest tu uczenie typu few-shot – algorytm potrafi zaadaptować się do nowej diagnozy przy minimalnej ilości danych treningowych, korzystając z wcześniej zdobytej wiedzy ogólnej.

Dla polskiego pacjenta najważniejszy może okazać się wpływ na ścieżkę terapeutyczną. W badaniach pilotowanych przez Śląski Uniwersytet Medyczny, zastosowanie modeli bazowych podniosło poprawność decyzji o skierowaniu do dalszego leczenia z 80,5% do 92,2%. To konkretne liczby, które przekładają się na mniej przeoczonych patologii i krótsze kolejki do specjalistów.

Bariery: „czarna skrzynka” i polskie realia

Mimo technicznego entuzjazmu, droga do pełnego wdrożenia w każdym gabinecie nie jest prosta. Wyzwaniem pozostaje brak transparentności procesów decyzyjnych AI oraz ryzyko uprzedzeń algorytmicznych. Aby je zniwelować, nowe modele trenuje się na wieloetnicznych bazach danych, co ma gwarantować skuteczność bez względu na pochodzenie pacjenta.

Przyszłość polskiej okulistyki będzie należeć do systemów typu explainable AI. Nie chodzi o zastąpienie lekarza, ale o dostarczenie mu cyfrowego asystenta, który wytłumaczy swoją decyzję za pomocą map ciepła. Jak zauważa prof. Robert Rejdak w kontekście programu przesiewowego, systemy te potrafią natychmiast wyłowić pacjentów wymagających pilnej interwencji. Płynna wymiana danych między algorytmem a elektroniczną dokumentacją medyczną to ostatni brakujący element tej układanki.