Deya i ICO rozpoczynają badanie szkoleniowe AI dla obrazowania oka za pomocą smartfona

Deya Imaging zyskała uwagę Google News po objęciu sponsoringiem badania prowadzonego wspólnie z Illinois College of Optometry, jednak projekt nie przyniósł jeszcze wyników klinicznych.

Badanie będzie gromadzić do końca 2026 roku zdjęcia schorzeń oczu i obserwacji dotyczących soczewek kontaktowych wykonane smartfonami. Klinicyści opiszą te obrazy na potrzeby bazy danych szkoleniowych dla sztucznej inteligencji. Deya twierdzi, że powstałe modele będą wspierać okulistów i optometrystów w zdalnym triage'u oraz opiece kontrolnej.

Ta kolejność ma znaczenie. Obiecujący system medycznej AI zaczyna się od gromadzenia danych, a nie od dokładnego modelu czy produktu zwalidowanego klinicznie. Ogłoszenie oznacza zatem rozpoczęcie procesu budowania dowodów przez Deya, a nie dowód, że AI działająca na smartfonie może zastąpić badanie.

Partnerstwo odzwierciedla także szerszą rywalizację między wygodnymi zdjęciami wykonywanymi przez pacjentów a kontrolowanym obrazowaniem klinicznym. Lampa szczelinowa zapewnia specjaliście powiększenie, oświetlenie, właściwe ustawienie i informacje o głębi. Telefon pacjenta oferuje zasięg i wygodę, lecz wprowadza również zmienność aparatów, oświetlenia, ostrości i techniki wykonania zdjęcia.

Kluczowe pytanie brzmi, czy Deya i ICO potrafią przekształcić te niespójne dane wejściowe w wiarygodne wsparcie decyzji klinicznych. Obecność w Google News może zwiększać świadomość, lecz zaufanie mogą zbudować wyłącznie projekt badania i opublikowane dane dotyczące skuteczności.

Co faktycznie badają Deya i ICO

Partnerstwo tworzy opisaną bazę obrazów do rozwoju modeli, a nie gotowy system diagnostyczny.

Deya zawarła umowę sponsorską z Illinois College of Optometry, powszechnie znanym jako ICO. Projekt koncentruje się na obrazach przedniego odcinka oka, przedstawiających widoczne struktury znajdujące się z przodu oka.

Zgodnie z początkowym ogłoszeniem o badaniu, badacze wykorzystają Deya Imaging do zbierania fotografii wykonywanych przez pacjentów smartfonami. Zdjęcia będą przedstawiać choroby przedniego odcinka oka oraz ustalenia dotyczące położenia soczewek kontaktowych.

Przedni odcinek oka obejmuje struktury takie jak rogówka, spojówka, powieki, tęczówka i komora przednia. Problemy w tych obszarach mogą powodować widoczne zaczerwienienie, obrzęk, zmiany chorobowe, wydzielinę, zmiany rogówkowe lub przemieszczone soczewki kontaktowe.

Badaniem pokierują Yi Pang, Jennifer Harthan i Erica Ittner. Pang i Harthan są optometrystami z zaawansowanym doświadczeniem badawczym i klinicznym. Ittner również jest optometrystką.

Badanie ma trwać do końca 2026 roku. W ogłoszeniu nie podano planowanej liczby uczestników, oczekiwanej liczby obrazów ani rozkładu docelowych schorzeń.

Te braki ograniczają wnioski, jakie mogą wyciągać osoby z zewnątrz. Baza zawierająca wiele obrazów może nadal być słaba, jeśli większość przykładów przedstawia częste lub wizualnie oczywiste obserwacje. Rzadkie, subtelne i pilne przypadki często stanowią trudniejszy test kliniczny.

Deya twierdzi, że jej zautomatyzowana technologia przechwytywania obrazu pomaga wykonywać zdjęcia smartfonem. Powstałe pliki trafią do zgodnego z HIPAA repozytorium chmurowego, które będzie służyć jako baza danych szkoleniowych.

Specjaliści opieki okulistycznej będą nadzorować ujednolicone opisywanie danych. Deya wskazała Chief Medical Officer Scotta Jensa i CEO Joviego Boparaia jako osoby uczestniczące w tym procesie.

Opisywanie danych przekształca każdy obraz kliniczny w materiał szkoleniowy. Recenzent może zidentyfikować objaw oczny, jego lokalizację, jakość obrazu lub inny istotny medycznie atrybut.

Model uczy się następnie wzorców statystycznych powiązanych z tymi etykietami. Etykiety muszą jednak być spójne, uzasadnione klinicznie i wystarczająco szczegółowe. W przeciwnym razie model może odtwarzać niezgodności lub skróty myślowe ukryte w zbiorze danych.

Deklarowanym celem Deya jest kliniczne wsparcie decyzji, czyli CDS. Takie oprogramowanie dostarcza informacji pomagających profesjonaliście podjąć decyzję, zamiast samodzielnie go zastępować.

Firma opisuje swój szerszy produkt jako platformę teleopieki okulistycznej kierowanej przez lekarza. Jej platforma connected care łączy komunikację z pacjentem, obrazowanie smartfonem, śledzenie objawów, analitykę i wnioski wspierane przez AI.

W proponowanym procesie pacjent wykonuje zdjęcie poza kliniką. Oprogramowanie analizuje przesłany materiał, a specjalista opieki okulistycznej wykorzystuje informacje podczas triage'u lub kontroli.

To rozróżnienie jest ważne. Nie jest to publiczne narzędzie przesiewowe, które powinno samodzielnie diagnozować dowolne schorzenie oka na podstawie fotografii. Ogłoszone zastosowanie pozostaje powiązane z opieką prowadzoną przez okulistę.

Wartość badania będzie zależeć od tego, czy końcowe dowody przetestują cały ten proces. Sama dokładność modelu nie pokaże, czy pacjenci wykonują użyteczne zdjęcia ani czy klinicyści właściwie reagują na wyniki.

Dlaczego zainteresowanie Google News wyprzedza dowody

Nagłówek opisuje badanie szkoleniowe AI, podczas gdy dostępne dowody dotyczą wyłącznie planowanego procesu pozyskiwania danych.

Google News może sprawić, że wyspecjalizowane partnerstwo badawcze wygląda jak ukończony kamień milowy technologiczny. Agregatory sprowadzają szczegóły do tytułu, wydawcy i krótkiego podglądu.

Taki format zaciera różnicę między gromadzeniem danych szkoleniowych a walidacją systemu klinicznego. Może też ukrywać, czy dane twierdzenie pochodzi z niezależnych badań, recenzowanej publikacji naukowej czy komunikatu firmy.

Projekt Deya i ICO znajduje się obecnie na najwcześniejszym z tych etapów. Badacze planują zbierać i opisywać obrazy. Publicznie dostępne materiały nie podają czułości, swoistości, odsetka wyników fałszywie ujemnych ani porównań z badaniami stacjonarnymi.

Czułość mierzy, jak często system wykrywa schorzenie, gdy ono występuje. Swoistość mierzy, jak często system prawidłowo wyklucza schorzenie, gdy go nie ma.

Obie miary są ważne w zdalnej opiece okulistycznej. Niska czułość może przeoczyć problem wymagający szybkiego leczenia. Niska swoistość może kierować zbyt wielu pacjentów na niepotrzebne pilne wizyty.

Skuteczność zmienia się również zależnie od zamierzonego zadania. Narzędzie przeznaczone do monitorowania znanego problemu z soczewką kontaktową stoi przed innym wyzwaniem niż system sygnalizujący nierozpoznaną infekcję rogówki.

Ogłoszenie partnerstwa mówi, że projekt poprawi silnik AI Deya. Jest to cel firmy, a nie niezależnie potwierdzony wynik.

Opisuje ono również ten wysiłek jako jedyny znany projekt wykorzystujący zdjęcia przedniego odcinka oka wykonywane przez pacjentów do klinicznego wsparcia decyzji opartego na AI. To sformułowanie wymaga ostrożnego traktowania.

Wcześniejsi badacze analizowali już obrazowanie przedniego odcinka oka smartfonem oraz telekonsultacje. Węższe twierdzenie może zależeć od konkretnego połączenia wykonywanych samodzielnie zdjęć, analizy AI i CDS prowadzonego przez lekarza, stosowanego przez Deya.

Ogłoszeniu nie towarzyszył publiczny rejestr badania, protokół badawczy ani metodologia poddana recenzji naukowej. Dostępne relacje nie wskazują też, czy ICO opublikuje wyniki negatywne lub niejednoznaczne.

Niezależność publikacji ma znaczenie, gdy firma sponsoruje pracę mającą ulepszyć jej własny produkt. Sponsoring nie unieważnia badań, ale czytelnicy potrzebują przejrzystości w kwestii analizy, autorstwa i praw do publikacji.

Silniejszy pakiet dowodowy wskazywałby główny punkt końcowy przed zakończeniem zbierania danych. Wyjaśniałby również kryteria rekrutacji, standardy referencyjne, analizę podgrup oraz rozdzielenie danych szkoleniowych i testowych.

Standard referencyjny definiuje zaufaną odpowiedź kliniczną wykorzystywaną do oceny modelu. W przypadku chorób przedniego odcinka oka taki standard mógłby obejmować badanie w lampie szczelinowej wykonane przez wykwalifikowanych klinicystów.

Zbiór testowy musi również pozostać odrębny od materiału wykorzystywanego do szkolenia i dostrajania systemu. Ocena modelu na znanych pacjentach lub powiązanych obrazach może zawyżać jego skuteczność.

Kolejne ryzyko wiąże się z wieloma obrazami tej samej osoby. Jeśli powiązane zdjęcia trafią zarówno do zbiorów szkoleniowych, jak i testowych, model może rozpoznawać szczegóły charakterystyczne dla pacjenta zamiast uczyć się ogólnych wzorców klinicznych.

Widoczność w Google News nie odpowiada na żadne z tych pytań. Po prostu podnosi stawkę tego, jak Deya komunikuje badanie, które nadal trwa.

Odpowiedzialna interpretacja jest zatem ograniczona. ICO i Deya rozpoczęły budowę klinicznie opisanego zbioru danych wokół zdjęć oczu wykonywanych smartfonami przez pacjentów. To, czy zbiór ten umożliwi wiarygodną opiekę, pozostaje nierozstrzygnięte.

Obrazowanie oka smartfonem mierzy się z problemem kontroli jakości

Głównym przeciwnikiem Deya nie jest inny startup, lecz zmienność obrazów wykonywanych poza kontrolowanym gabinetem.

Smartfony zapewniają kilka praktycznych korzyści. Pacjenci już je posiadają, aparaty stale się poprawiają, a obrazy mogą szybko trafiać do zdalnych klinicystów.

Te zalety sprawiają, że podejście jest atrakcyjne w opiece kontrolnej. Pacjent ze znanym problemem mógłby przesłać zdjęcie zamiast podróżować na każdą rutynową kontrolę.

Fotografia przedniego odcinka oka jest jednak wyjątkowo wrażliwa na technikę wykonania. Odbicia, cienie, ruch, odległość, ostrość, przetwarzanie obrazu przez aparat i ekspozycja mogą zmieniać to, co przedstawia zdjęcie.

Telefony konsumenckie również znacząco się różnią. Czujniki aparatu, obiektywy, stabilizacja obrazu, automatyczne ulepszanie oraz aktualizacje oprogramowania mogą zmieniać dane wejściowe przedstawiane modelowi.

Badania pokazują skalę tego wyzwania. W badaniu 344 zdjęć wykonanych przez pacjentów jedynie 7 procent oceniono jako dobre bez dedykowanego dodatku i protokołu.

Tylko 16 procent uznano za odpowiednie do podejmowania decyzji klinicznych. Badacze często wskazywali problemy z perspektywą, ostrością, oświetleniem i rozdzielczością.

Po dodaniu dodatkowego elementu i protokołu obrazowania jakość zdjęć się poprawiła. W późniejszym zbiorze danych badania 57 procent otrzymało ocenę dobrą, a 45 procent nadawało się do decyzji klinicznych.

Badanie obrazowania smartfonem wspiera jednocześnie dwa wnioski. Ustrukturyzowane wykonywanie zdjęć może poprawić wyniki, ale nawet prowadzone obrazowanie nie dorównuje automatycznie dowodom jakości gabinetowej.

Deya twierdzi, że korzysta z automatycznego wykonywania zdjęć smartfonem. Ogłoszenie o badaniu nie wyjaśnia mechanizmu wystarczająco szczegółowo, aby porównać go z wcześniejszym podejściem opartym na dodatkowym elemencie.

Oprogramowanie może pomagać w określaniu odległości, pozycjonowaniu, ustawianiu ostrości, oświetleniu lub akceptacji obrazu. Istotne pytanie nie brzmi jednak, czy takie wskazówki istnieją. Chodzi o to, jak często zwykli pacjenci tworzą obrazy użyteczne diagnostycznie na różnych urządzeniach i w różnych warunkach.

Proces pozyskiwania danych powinien zachowywać nieudane próby, a nie tylko udane. Odrzucone obrazy pokazują, czy proces jest praktyczny i którzy pacjenci napotykają powtarzające się trudności.

Wykluczenie niepowodzeń może sprawić, że model będzie wyglądał na dokładniejszy niż wdrożona usługa. W rzeczywistym użyciu niemożność uzyskania odpowiedniego zdjęcia sama w sobie jest istotnym klinicznie wynikiem.

Jakość obrazu może również wchodzić w interakcję z nasileniem choroby. Duże lub oczywiste nieprawidłowości mogą pozostawać widoczne mimo niedoskonałego wykonania zdjęcia. Subtelne zmiany mogą zniknąć przez odblaski lub rozmycie.

Jedno badanie diagnostyczne porównało fotografie wykonane smartfonem z badaniami w lampie szczelinowej pod kątem zmętnienia rogówki. System smartfonowy osiągnął wysoką swoistość, lecz bardziej zmienną czułość.

To badanie dokładności diagnostycznej wykazało 68-procentową czułość przy domyślnych ustawieniach smartfona. Czułość wzrastała w przypadku większych, bardziej widocznych i nowszych blizn.

Wyniki te dotyczyły konkretnego schorzenia i zewnętrznej przystawki do obrazowania. Nie pozwalają one określić skuteczności Deya, ale pokazują, dlaczego jedna zbiorcza wartość dokładności byłaby niewystarczająca.

Badanie ICO będzie wymagało trudnych przykładów i klinicznie istotnych podgrup. Mogą one obejmować różne odcienie skóry, kolory tęczówek, modele telefonów, grupy wiekowe, warunki oświetleniowe i stopnie zaawansowania choroby.

Obserwacje dotyczące soczewek kontaktowych wprowadzają własną zmienność. Pozycja soczewki może zmieniać się wraz z kierunkiem spojrzenia, mruganiem, momentem wykonania zdjęcia i kątem kamery. Pojedynczy nieruchomy obraz może nie uchwycić cechy potrzebnej klinicyście.

Zdalna obserwacja pozostaje prawdopodobnym zastosowaniem, ponieważ klinicyści znają historię pacjenta. Mogą połączyć obraz z objawami, dokumentacją i wcześniejszymi badaniami.

Triaging wiąże się z większym ryzykiem, gdy przesłany obraz staje się głównym źródłem dowodów. Uspokajający wynik może opóźnić opiekę mimo bólu, utraty wzroku lub innego pilnego objawu.

Bezpieczny system potrzebuje zatem mechanizmu wstrzymania oceny. Wstrzymanie oznacza, że model odmawia interpretacji niepewnych lub nieodpowiednich danych wejściowych i kieruje przypadek do klinicysty.

Częstość takich wstrzymań będzie mieć niemal tak duże znaczenie jak dokładność. Ostrożny model może chronić pacjentów, ale generować zbyt dużo ręcznej weryfikacji. Agresywny model może zwiększać szybkość, jednocześnie zwiększając liczbę przeoczonych zmian.

Badania Deya są ważne, ponieważ mogą zmierzyć te operacyjne kompromisy. Komunikat nie określa jednak, czy użyteczność, nieudane wykonanie zdjęcia lub obciążenie pracą klinicystów są formalnymi wynikami badania.

Dane treningowe AI muszą odzwierciedlać pacjentów, którym system ma służyć

Baza danych z medycznymi oznaczeniami staje się użyteczna tylko wtedy, gdy jej skład odpowiada populacji i sytuacjom klinicznym oczekiwanym po wdrożeniu.

Dane treningowe nie są jedynie zbiorem poprawnych odpowiedzi. Definiują również zakres pacjentów, urządzeń, środowisk i schorzeń, z którymi model uczy się radzić.

ICO wnosi wiedzę kliniczną i dostęp do Illinois Eye Institute. Uczelnia prowadzi także centrum badawcze i, jak podano, ma niemal 150 aktywnych badań.

Takie środowisko może wspierać zdyscyplinowane gromadzenie obrazów i ocenę specjalistów. Nie gwarantuje jednak automatycznie reprezentatywnej bazy danych.

Pojedyncza instytucja może obsługiwać określoną mieszankę pod względem geografii, wzorców skierowań, dostępu do ubezpieczenia, wieku i ciężkości chorób. Te wzorce mogą różnić się od tych występujących u przyszłych użytkowników w innych miejscach.

Walidacja zewnętrzna rozwiązuje ten problem. Badacze testują końcowy model na danych z innej lokalizacji, która nie uczestniczyła w jego rozwoju.

Komunikat nie wskazuje miejsca walidacji zewnętrznej. Nie mówi też, czy Deya planuje badanie wieloośrodkowe po zakończeniu sponsorowanego projektu ICO.

Jakość oznaczeń stwarza drugie wyzwanie. Specjaliści opieki okulistycznej czasem nie zgadzają się co do widocznych zmian, szczególnie gdy obrazom brakuje szczegółów dostępnych podczas badania.

Rygorystyczny protokół powinien mierzyć tę rozbieżność. Powinien wyjaśniać, ilu recenzentów oznacza każdy przypadek i jak zespół rozstrzyga konflikty.

Etykieta referencyjna nie powinna pochodzić wyłącznie ze zdjęcia wykonanego smartfonem. Gdy to możliwe, badacze powinni powiązać obraz z badaniem osobistym lub innym akceptowanym standardem klinicznym.

W przeciwnym razie system może nauczyć się interpretacji niekompletnego obrazu dokonanej przez recenzenta. To różni się od uczenia się, czy pacjent rzeczywiście miał daną zmianę.

Częstość występowania choroby również wpływa na użyteczność w rzeczywistych warunkach. Rzadkie, pilne schorzenie może wnosić niewiele przykładów treningowych, mimo że jego przeoczenie niesie poważne konsekwencje.

Badacze mogą zrównoważyć zbiór danych treningowych, ale raportowanie wyników powinno odzwierciedlać oczekiwaną częstość kliniczną. Sztucznie zrównoważone testy mogą utrudniać interpretację deklarowanej dokładności.

Badanie powinno raportować wyniki według schorzenia, zamiast łączyć każdą zmianę w jeden wynik. Powinno też oddzielać błędy jakości obrazu od błędów klasyfikacji modelu.

Obrazy tworzone przez pacjentów rodzą pytania dotyczące prywatności i zarządzania danymi. Deya twierdzi, że repozytorium będzie zgodne z HIPAA, ale to sformułowanie obejmuje tylko część cyklu życia danych.

Departament Zdrowia i Opieki Społecznej wyjaśnia, że usługa chmurowa obsługująca chronione informacje zdrowotne zasadniczo staje się partnerem biznesowym. Podmioty objęte regulacją muszą ustanowić odpowiednie umowy i zabezpieczenia.

Federalne wytyczne dotyczące chmury wskazują również, że zaszyfrowane dane nadal mogą tworzyć obowiązki partnera biznesowego. Samo szyfrowanie nie usuwa tych obowiązków.

Uczestnicy badań potrzebują jasnych informacji o tym, jak będą wykorzystywane ich obrazy. Ważne pytania obejmują rozwój modeli, okres przechowywania, przyszłe badania, wykorzystanie komercyjne i potencjalne udostępnianie danych.

Publiczny komunikat nie podaje tych szczegółów dotyczących zgody. Nie byłoby właściwe zakładać, że baza danych zezwala na każde przyszłe wykorzystanie obrazów.

Dokumentacja zbioru danych może uwidocznić te granice. Przydatny opis wskazywałby dobór uczestników, oznaczanie danych, wykluczenia, rozkład urządzeń, nieudane obrazy, zgodę i znane ograniczenia.

Aktualizacje modeli dodają kolejną warstwę złożoności. Jeśli Deya stale dodaje obrazy po wdrożeniu, późniejsze wersje mogą różnić się od systemu testowanego w pierwotnym badaniu.

Kontrola wersji i monitorowanie stają się niezbędne. Klinicyści muszą wiedzieć, który model wygenerował zalecenie i czy jego zachowanie się zmieniło.

W tym miejscu partnerstwo może stać się bardziej znaczące niż jego nagłówek w Google News. ICO może pomóc ustanowić kliniczną dyscyplinę wokół danych, a Deya zapewnia infrastrukturę do pozyskiwania obrazów i oprogramowanie.

Relacja ta nadal wymaga przejrzystych wyników. Udział instytucji powinien wzmacniać proces badawczy, a nie zastępować opublikowane dowody.

Wsparcie decyzji klinicznych nie unika nadzoru regulacyjnego

Określenie systemu jako wsparcia decyzji nie wyłącza automatycznie każdej funkcji Deya spod nadzoru nad wyrobami medycznymi.

Granica regulacyjna zależy od zamierzonego zastosowania, użytkowników, danych wejściowych, wyników oraz możliwości niezależnej oceny zalecenia przez klinicystów.

Amerykańska Agencja Żywności i Leków wydała ostateczne wytyczne dotyczące wsparcia decyzji klinicznych w styczniu 2026 roku. Wyjaśniają one, kiedy określone funkcje oprogramowania nie mieszczą się w ustawowej definicji wyrobu medycznego.

Wytyczne CDS rozróżniają także wsparcie kierowane do profesjonalistów od funkcji przeznaczonych dla pacjentów lub opiekunów. Zasady dotyczące wyrobów mogą nadal mieć zastosowanie do oprogramowania spełniającego właściwą definicję.

Planowany proces Deya przekracza kilka wrażliwych granic. Pacjenci wykonują zdjęcia, system AI je analizuje, a klinicyści otrzymują wsparcie decyzyjne.

Znaczenie ma dokładny charakter wyniku. Przejrzyste podsumowanie, które pozwala lekarzowi niezależnie ocenić jego podstawę, różni się od nieprzejrzystego prawdopodobieństwa lub pilnego zalecenia diagnostycznego.

Obrazy komplikują niezależną ocenę, ponieważ klinicysta może potrzebować specjalistycznego przeszkolenia i odpowiedniej jakości obrazu, aby zweryfikować rozumowanie modelu. Sama etykieta dawałaby mniejszą możliwość weryfikacji niż wyróżnione dowody wizualne.

Publiczny język firmy obejmuje diagnostykę AI, monitorowanie, wykrywanie i zalecenia dotyczące leczenia. Opisy te są szersze niż proste wsparcie administracyjne.

Nie przesądza to o statusie regulacyjnym produktu. Pokazuje jednak, dlaczego Deya musi starannie definiować każdą funkcję oprogramowania i dostosowywać swoje deklaracje do dowodów je wspierających.

Obecny komunikat o badaniu nie wspomina o dopuszczeniu FDA, autoryzacji ani ścieżce regulacyjnej. Czytelnicy nie powinni wyciągać wniosków o jakimkolwiek statusie regulacyjnym na podstawie udziału ICO.

Badanie treningowe i badanie służące uzyskaniu autoryzacji rynkowej mogą realizować różne cele. Pierwsze rozwija system. Drugie musi wspierać zdefiniowane deklaracje w ramach określonego zastosowania i ryzyka.

Walidacja kliniczna powinna również wykraczać poza metryki modelu. Badacze muszą określić, jak oprogramowanie zmienia zachowanie klinicystów, kierowanie pacjentów, termin obserwacji i niepożądane wyniki.

Jednym z problemów jest automatyzacyjne uprzedzenie. Klinicysta może przypisywać nadmierną wagę pewnemu wynikowi oprogramowania, zwłaszcza podczas zdalnej oceny dużej liczby przypadków.

Zmęczenie alertami stwarza odwrotny problem. Jeśli system oznacza zbyt wiele przypadków, klinicyści mogą lekceważyć użyteczne ostrzeżenia lub poświęcać więcej czasu na przegląd zdalnych zgłoszeń.

Model Deya kierowany przez lekarza oferuje ważne zabezpieczenie, ponieważ profesjonalista pozostaje zaangażowany. Jednak udział człowieka nie eliminuje ryzyka, gdy oprogramowanie kształtuje uwagę i priorytetyzację.

Planowana baza danych powinna zatem obejmować przypadki, w których właściwą odpowiedzią jest niepewność. Modele potrzebują przykładów wspierających eskalację, ponowne wykonanie zdjęcia lub badanie osobiste.

System musi także rozpoznawać, że niektóre objawy powinny przeważać nad uspokajającym obrazem. Nagła utrata wzroku lub silny ból mogą wymagać pilnej uwagi, nawet jeśli zdjęcie wygląda zwyczajnie.

Odpowiedzialny interfejs przekazywałby te ograniczenia wprost. Powinien unikać informowania pacjentów, że obraz wykluczył schorzenia wykraczające poza zwalidowany zakres modelu.

Cyberbezpieczeństwo i bieżące monitorowanie skuteczności będą ważne, jeśli produkt będzie się rozwijał. Obrazy medyczne, historie zdrowia i komunikacja z pacjentami tworzą atrakcyjne cele nadużyć.

Deya nie podała publicznie wystarczających szczegółów, aby ocenić te zabezpieczenia. Brak szczegółów nie dowodzi słabości, ale uniemożliwia niezależną ocenę.

Ta niepewność regulacyjna i operacyjna jest kluczowym kompromisem. Dostęp przez smartfon może rozszerzyć zasięg klinicystów, podczas gdy odpowiedzialność medyczna wymaga dowodów odpowiadających faktycznej roli produktu.

Na co zwracać uwagę po zakończeniu badania

Trzy sygnały pokażą, czy to partnerstwo rozwija opiekę kliniczną, czy pozostaje wczesnym ćwiczeniem w budowaniu zbioru danych.

Pierwszym sygnałem jest publiczny protokół badawczy lub wynik recenzowany naukowo. Najmocniejszy raport ujawniałby liczbę uczestników, liczbę obrazów, docelowe schorzenia, różnorodność urządzeń, standardy referencyjne i wcześniej określone punkty końcowe.

Czytelnicy powinni szukać rozdzielenia danych treningowych i testowych na poziomie pacjentów. Powinni też szukać wyników dla podgrup i przedziałów ufności, a nie tylko łącznego wyniku dokładności.

Publikacja wzmocniłaby argumenty Deya, gdyby niezależni recenzenci mogli zbadać metody i ograniczenia. Dalsze poleganie na języku komunikatów pozostawiłoby kluczowe twierdzenia niesprawdzone.

Drugim sygnałem jest zewnętrzna walidacja kliniczna. Model trenowany przez ICO powinien zmierzyć się z obrazami z innej instytucji, od innych pacjentów i z telefonów nieobecnych w procesie rozwoju.

Testy zewnętrzne wsparłyby twierdzenie, że system nauczył się klinicznie użytecznych wzorców wizualnych. Znaczny spadek skuteczności sugerowałby, że nauczył się skrótów specyficznych dla danego ośrodka lub urządzenia.

Niedawne badanie telemedycyny opartej na smartfonach stanowi użyteczne porównanie. Pracownicy ochrony zdrowia w społecznościach lokalnych otrzymali trzy godziny szkolenia przed zbieraniem obrazów w 19 wiejskich punktach badań okulistycznych.

To badanie platformy telemedycznej pokazuje, że obrazowanie smartfonem może wspierać zdalną opiekę w ustrukturyzowanych warunkach. Nie dowodzi, że samodzielne wykonywanie zdjęć bez nadzoru działa równie dobrze.

Proponowany przez Deya proces nakłada większą odpowiedzialność na pacjentów. Jego walidacja powinna zatem raportować, jak wiele wskazówek potrzebują ludzie i jak często kończą wykonanie zdjęcia bez pomocy.

Trzecim sygnałem jest jasno zdefiniowana deklaracja dotycząca produktu i regulacji. Deya powinna określić, do jakich schorzeń lub zmian odnosi się system, kto korzysta z wyniku i jakie działanie on zaleca.

Wąskie narzędzie do obserwacji może być klinicznie użyteczne bez deklarowania szerokiego zakresu diagnostycznego. W rzeczywistości precyzyjnie określone zamierzone zastosowanie często ułatwia znaczącą walidację.

Firma powinna również wyjaśnić, kiedy jej oprogramowanie wstrzymuje się od wydania oceny oraz kiedy pacjenci są kierowani do natychmiastowej opieki. Te zabezpieczenia pokażą, czy bezpieczeństwo od początku kształtowało przebieg pracy.

Klinicyści i systemy opieki zdrowotnej powinni powstrzymać się od traktowania relacji w Google News jako dowodu gotowości. Przed wdrożeniem powinni zażądać dokumentacji badania, danych walidacyjnych, testów przebiegu pracy oraz warunków ochrony prywatności.

Deweloperzy powinni analizować to partnerstwo z innego powodu. Jakość medycznej AI w dużej mierze zależy od projektu pozyskiwania danych, zasad nadzoru nad etykietowaniem, standardów referencyjnych oraz obsługi błędów.

Architektura modelu może przyciągać najwięcej uwagi opinii publicznej, ale to potok danych wejściowych określa, czego model może się nauczyć. Słabych obrazów i niejednoznacznych etykiet nie da się naprawić samą skalą.

Pracownicy umysłowi śledzący rozwój AI w ochronie zdrowia powinni również zwrócić uwagę na różnicę językową. „Trenowanie modelu AI” opisuje proces, natomiast „wspieranie opieki klinicznej” opisuje rezultat wymagający odrębnych dowodów.

Na razie Deya i ICO postawiły wiarygodne pytanie badawcze. Czy prowadzone obrazy wykonywane smartfonem mogą dostarczyć wystarczająco spójnych informacji do zdalnej opieki okulistycznej prowadzonej przez lekarza?

Nie ustaliły jeszcze odpowiedzi. Badanie potrwa do końca 2026 roku, a w ogłoszeniu nie przedstawiono żadnych wyników dotyczących skuteczności.

Kolejny wartościowy nagłówek w Google News nie powinien być kolejnym komunikatem o partnerstwie. Powinien informować o przejrzystych wynikach, zewnętrznej walidacji oraz jasno ograniczonym zastosowaniu klinicznym.

Do tego czasu klinicyści powinni traktować system Deya jako aktywny projekt badawczy. Pacjenci powinni nadal stosować się do profesjonalnych zaleceń i w przypadku pilnych objawów niezwłocznie szukać osobistej opieki medycznej.

Śledź opublikowane dowody, nie tylko rozgłos. Jeśli Deya ujawni rygorystyczne wyniki obejmujące pacjentów, urządzenia i warunki kliniczne, partnerstwo zasłuży na szerszą uwagę.

Jeśli te szczegóły pozostaną niedostępne, projekt i tak stworzy zbiór danych. Nie wykaże jednak, że smartfon może niezawodnie rozszerzyć możliwości gabinetu diagnostycznego.