Ny AI-baserad metod underlättar upptäckt och uppföljning av glaukom

- Att snabbt kunna se och upptäcka förändring av glaukom är oerhört viktigt. Den mätmetod som vi utvecklat baseras på OCT-avbildning och är betydligt lättsammare för patienten än synfältsundersökning som tidigare varit rutin. Tack vare att mätningen går mycket fortare än synfältsundersökning är den också mindre kostsam, säger Per Söderberg, överläkare vid ögonkliniken på Akademiska och professor vid Uppsala universitet.

Grön starr eller glaukom, som är sjukdomens medicinska namn, är en av våra vanligaste ögonsjukdomar. Det är den näst viktigaste orsaken till blindhet i världen och den dominerande anledningen till irreversibel blindhet. Sjukdomen uppkommer vanligtvis efter 40 års ålder och är delvis ärftlig. Förekomsten ökar exponentiellt med stigande ålder.

Vid glaukom skadas synnerven vilket påverkar synfältet. Den synskada som uppkommit kan man aldrig bota.

Forskargruppen i Uppsala har nu, i samarbete med forskare vid KTH, utvecklat en helautomatiserad mätmetod med hjälp av AI som ska kunna användas som rutin inom ögonsjukvården.

- Genom den höga precisionen hoppas vi att den nya mätmetoden ska göra det möjligt att upptäcka glaukom tidigare och också göra det lättare att utvärdera befintliga och nya behandlingsmetoder för glaukom. Detta kan få stor betydelse för ögonsjukvården eftersom glaukomuppföljning är en stor andel av en ögonkliniks verksamhet, framhåller Per Söderberg.

För mer information/intervju, kontakta:
Per Söderberg, överläkare vid ögonkliniken på Akademiska sjukhuset och professor vid Uppsala universitet, tel: 018-611 99 90, e-post: per.soderberg@neuro.uu.se

FAKTA: OCT-avbildning (optisk koherens tomografi)

• OCT-avbildning kan jämföras med ultraljud fast ljus används istället för ljud. Genom att mäta hur lång tid det tar för ljuset att gå fram och tillbaka till en viss punkt i ögat kan man med kännedom om ljushastigheten omvandla tiden till djupet i ögat och intensiteten på ljuset som kommer tillbaka avslöjar punktens ljusspridande egenskaper.
• Genom att mäta på olika djup får man en djupprofil av ljusspridningen i vävnaden i en viss punkt. Genom att flytta mätstrålen i sidled kan man bygga upp 2‑dimensionella bilder av ljusspridningen i vävnaden i ett plan.
• Genom att registrera flera närliggande 2-dimensionella bilder får man 3-dimensionell information om ljusspridning i vävnadsbiten.
• I den 3-dimensionella volymen identifierar sedan den nya AI-metoden helautomatiskt det tunnaste tvärsnittet på nervtrådarna som överför information från näthinnan till hjärnan.

Nota bene: Följande forskare vid Akademiska sjukhuset/Uppsala universitet har medverkat i utvecklingen av den nya AI-baserade mätmetoden:

Per Söderberg, forskargruppledare. Överläkare vid ögonkliniken på Akademiska sjukhuset och professor vid Uppsala universitet.

Zhaohua Yu, forskare inom neurovetenskap, Uppsala universitet

Camilla, Sandberg Melin, överläkare vid ögonkliniken, Gävle sjukhus, och forskare vid Uppsala universitet

Konstancija Kisonaite, läkare, doktorand i projektet, Oftalmiatrik, institutionen för neurovetenskap, Uppsala universitet

Chunliang Wang, läkare, docent, Medicinsk avbildning, Inst. f. Medicinteknik och hälsosystem, KTH

Bendazzoli Simone, informatiker, doktorand Medicinsk avbildning, institutionen för medicinteknik och hälsosystem, KTH

Brusini Irene, tidigare forskningsassistent, medicinsk avbildning, institutionen för medicinteknik och hälsosystem, KTH

Carrizo Gabriel, tidigare forskningsassistent, medicinsk avbildning, institutionen för medicinteknik och hälsosystem, KTH

Andersson David, tidigare forskningsassistent, medicinsk avbildning, institutionen för medicinteknik och hälsosystem, KTH