Dynamiczny rozwój technologii w ciągu ostatnich lat nie mógł pozostać bez wpływu na rozwój medycyny. Największy postęp dzięki nowym zdobyczom technologii dokonał się m.in. w diagnostyce medycznej. Coraz więcej słyszy się o wykorzystaniu sztucznej inteligencji (AI – artificial inteligence) oraz machine learningu (ML), czyli samouczenia się maszyn.

Machine learning jest jedną z gałęzi sztucznej inteligencji. W swoim podstawowym założeniu bazuje na algorytmach, które przetwarzają dostarczane im dane w poszukiwaniu powtarzalnych wzorców, schematów i na ich podstawie się uczą. Po wprowadzeniu danych system tworzy złożone modele analityczne, opierające się na schematach wyuczonych dzięki wcześniejszym informacjom, aby ulepszyć i zoptymalizować dokładność predykcji¹.

Machine learning dzielimy na uczenie nadzorowane (supervised learning) i nienadzorowane (unsupervised learning). Uczenie nadzorowane polega na dostarczaniu oprogramowaniu zarówno danych klinicznych, jak i oczekiwanego rezultatu diagnostycznego, np. badania rezonansu magnetycznego (MR – magnetic resonance) z widoczną zmianą ogniskową w mózgu. Dzięki tej technologii oczekujemy, że możliwe będzie ustalenie przesłanki diagnostycznej dla opisującego lekarza radiologa, sugerującej obecność zmiany ogniskowej w obrazie MR głowy, którego nie było wcześniej w zbiorze danych i które nie było znane oprogramowaniu. W przypadku uczenia nienadzorowanego nie dostarczamy wyniku, a jedynie dane komputerowi. Dane te mogą obejmować np. liczne obrazy MR głowy z różnymi zmianami patologicznymi. Dzięki machine learningowi system grupuje badania na podstawie podobieństw między zmianami na grupę artefaktów oraz zmiany łagodne i złośliwe.

Celem niniejszego artykułu jest omówienie zastosowania machine learningu i sztucznej inteligencji w nowoczesnej diagnostyce medycznej, ze szczególnym uwzględnieniem okulistyki. Opisano w nim perspektywy dla tej technologii jako narzędzia wspierającego współczesną diagnostykę chorób oczu¹. Na początku przedstawiono możliwości wykorzystania machine learningu w diagnostyce zwyrodnienia plamki związanego z wiekiem (AMD – age-related macular degeneration), jaskry oraz retinopatii cukrzycowej przy użyciu badań optycznej koherentnej tomografii (OCT – optical coherence tomography) i fotografii dna oka. Omówiono również korzyści płynące z automatyzowania diagnostyki przed punkcją lędźwiową.