AI-klassificeringsmodul

AI-klassificeringsmodul

AI, der læser retinale fotografier på under to sekunder — og hjælper øjenlæger med at opdage diabetisk øjensygdom, før den forårsager permanent skade.

Deneye AI-klassificeringsmodulet analyserer fundusfotos og tildeler en af fem internationalt standardiserede DR-alvorlighedsgrader. Dette giver den gennemgørende øjenlæge et øjeblikkeligt, evidensbaseret udgangspunkt — hvilket reducerer arbejdsbyrden samtidig med, at fuldt klinisk ansvar opretholdes.

AI'en opererer aldrig autonomt. Hver grade gennemgås og bekræftes af en certificeret øjenlæge, før der tages nogen klinisk handling.

Sikkerhed, hvor dataene er velkendte. På modellens hold-out-sæt og begge IDRiD-evalueringssæt (1.249 billeder) blev ikke et eneste alvorligt eller proliferativt DR-tilfælde klassificeret som “Ingen DR”. På datasæt med stærk domæneskift forringes denne margin — en vigtig grund til, at hver AI-grade gennemgås af en øjenlæge, og hvert nyt implementeringssted evalueres på sine egne billeder først.

Sådan fungerer det

Tre trin fra fotografi til klassificeringsresultat

1

Billede optaget

En screener fotograferer patientens nethinde ved hjælp af ethvert standard funduskamera. Billedet uploades til Deneye-platformen — selv fra en fjerntliggende placering uden permanent internetforbindelse.

2

AI klassificerer på <2 sekunder

AI-modellen forbehandler billedet og forudsiger en DR-alvorlighedsgrad på den 5-punkts internationale kliniske DR-skala. Resultatet vises øjeblikkeligt på øjenlægens arbejdsliste.

3

Øjenlæge bekræfter

En certificeret øjenlæge gennemgår billedet og AI-forslaget. De bekræfter, justerer eller tilsidesætter graden. Først efter menneskelig gennemgang når resultatet til patienten.

De fem DR-alvorlighedsgrader

Baseret på den internationale kliniske diabetisk retinopati-alvorlighhedsskala

Grade Navn Hvad det betyder Anbefalet opfølgning
0 Ingen DR Ingen synlige tegn på diabetisk skade på nethinden Rutinemæssig årlig screening
1 Mild NPDR Tidlige ændringer: mikroaneurismer (små udposninger i retinale blodkar) Gennemgang af øjenlæge
2 Moderat NPDR Mere omfattende ændringer: blødninger, hårde eksudat, bomuldsulds-pletter Gennemgang af øjenlæge
3 Svær NPDR Betydelig vaskulær skade, høj risiko for progression til proliferativ DR Presserende henvisning til retina-specialist
4 Proliferativ DR Avanceret stadium: vækst af skrøbelige nye blodkar, høj risiko for alvorlig synstab Presserende henvisning til behandling (f.eks. laser, injektioner)

Uafhængig validering på 37.368 billeder

Testet på fire uafhængige datasæt fra fire lande — ingen brugt under træning

Standarden for præstationsmåling i DR-klassificering er Quadratic Weighted Kappa (QWK) — en statistik, der sammenligner AI'ens grader med ekspert-øjenlægesters grader, med strengere straffe for større uenigheder. Det spænder fra 0 (ikke bedre end tilfælde) til 1,0 (perfekt enighed). En kappa over 0,80 betragtes generelt som “udmærket” i DR-klassificerings-litteraturen.

DatasætBillederLandQW KappaTilstødende nøjagtighed
APTOS 2019 (hold-out)733Indien0.89697.5%
IDRiD Training413Indien0.71090.8%
IDRiD Testing103Indien0.60785.4%
Messidor-21,744Frankrig0.49989.1%
EyePACS35,108USA0.42087.4%
I alt (eksternt)37,3684 lande0.44087.6%

APTOS hold-out-rækken består af billeder holdt tilbage fra modellens eget træningsdatasæt; de øvrige fire sæt er helt eksterne — modellen har aldrig set dem i nogen form.

En bemærkning om domæneskift (Messidor-2 kappa 0,499, EyePACS 0,420). Modellen blev trænet på indiske retinale fotografier (APTOS 2019). Messidor-2 og EyePACS-billeder kommer fra franske og amerikanske klinikker med forskellige kameraer, belysningsforhold og patientdemografi, og klassificerings-præcision falder tilsvarende — på disse to datasæt blev henholdsvis 2 af 110 og 111 af 1.580 alvorlige eller proliferative tilfælde klassificeret som “Ingen DR”. Domæneskift er en velkendt udfordring i DR AI-litteraturen. Det er grunden til, at AI strengt taget er en triage-hjælpemiddel under obligatorisk øjenlæge-gennemgang, og hvorfor hvert implementeringssted evalueres på sine egne billeder før klinisk brug.

Træningskurver & forvekslings-matrix

APTOS 2019 træningssæt (2.929 billeder), 20% hold-out validering (733 billeder). Bedste QWK opnået: 0,896.

Træning-tab og QW kappa efter epoke over 20 epoker
Træning- og validerings-tab & QWK efter epoke. Konvergens opstår efter head-only-fasen (første 3 epoker). Modellen når stabil QWK 0,896 ved epoke 20.
5x5 forvekslings-matrix: AI-grade vs ekspert-grade på APTOS hold-out-sæt
Forvekslings-matrix på APTOS hold-out-sættet med 733 billeder. Fejl udenfor diagonalen er næsten helt tilstødende-grade (et trin). Ingen alvorlige eller proliferative tilfælde (grader 3–4) vises i Grade 0 “Ingen DR”-spalten.
En detaljeret AI-klassificerings-rapport er tilgængelig på anmodning. Rapporten indeholder fulde valideringsmålinger på tværs af alle datasæt, pr.-datasæt forvekslings-matricer, grade-distributionssammenligninger og komplet metodologi-dokumentation.