Development of a Multimodal Large Language Model for Early Warning and Diagnosis of Dry Eye Disease

Immaginate un paio di occhi che si sentono granulosi, che bruciano sotto il sole o che si appannano quando cercate di leggere uno schermo. Questa è la sindrome dell'occhio secco, una condizione comune e spesso frustrante in cui la superficie dell'occhio manca di una quantità sufficiente di umidità o del tipo giusto di olio per rimanere sana. Non è solo un fastidio minore; può danneggiare la vista e rendere difficile la vita quotidiana. Diagnosticarla, tuttavia, è complicato. Un medico non può fare affidamento su un singolo test. Al contrario, deve comporre un puzzle fatto di molti diversi indizi: come il paziente descrive il proprio dolore, la sua storia clinica, le sue abitudini di vita come quanto tempo trascorre davanti al computer e ciò che il medico vede guardando attraverso un microscopio la superficie dell'occhio. Per anni, l'intelligenza artificiale è stata brava a guardare immagini o a leggere numeri, ma ha faticato a fare entrambe le cose contemporaneamente in un modo che imitasse il ragionamento attento di un medico umano.

Un team di ricercatori provenienti da ospedali e istituti di ricerca della Cina ha costruito un nuovo tipo di programma informatico progettato per risolvere esattamente questo problema. Hanno creato un sistema che agisce come un esperto digitale, capace di leggere le risposte scritte dei pazienti ai questionari, comprendere la loro storia clinica ed esaminare fotografie ad alta risoluzione dei loro occhi contemporaneamente. Questo sistema, che chiamano modello linguistico di grandi dimensioni multimodale, è stato addestrato per riconoscere i complelli pattern che segnalano la sindrome dell'occhio secco. Combinando questi diversi tipi di informazioni, il modello mira a individuare la malattia precocemente, anche prima che diventi grave, e a confermare una diagnosi con alta precisione. I ricercatori hanno testato questo strumento su centinaia di pazienti e hanno scoperto che poteva distinguere efficacemente tra occhi sani e occhi affetti da occhio secco, ottenendo ottimi risultati anche quando testato su dati provenienti da ospedali diversi con attrezzature differenti.

Lo studio è iniziato raccogliendo una grande collezione di dati del mondo reale da quattro diversi ospedali. Il team ha arruolato 874 partecipanti, dividendoli in due gruppi. Il primo gruppo, composto da 743 pazienti, proveniva da un singolo ospedale di Pechino ed è stato utilizzato per insegnare al computer come riconoscere la malattia. Il secondo gruppo, con 131 pazienti provenienti da altri tre ospedali in città diverse, è stato tenuto separato per testare se il computer potesse applicare ciò che aveva imparato a nuove situazioni mai viste prima. Ogni partecipante è stato sottoposto a un esame approfondito. Hanno compilato sondaggi dettagliati sui loro sintomi, come la frequenza con cui i loro occhi si sentevano secchi o quanto la loro visione fluttuasse. Hanno anche fornito la loro storia clinica, incluse informazioni sulla loro età, altre condizioni di salute e le loro abitudini quotidiane, come il tempo trascorso a guardare schermi elettronici.

Oltre a queste risposte scritte, i medici hanno scattato fotografie dettagliate degli occhi dei pazienti. Queste immagini mostravano la superficie dell'occhio, le minuscole ghiandole oleose delle palpebre e i vasi sanguigni. In alcuni casi, i medici hanno utilizzato un colorante speciale per evidenziare le aree danneggiate sulla superficie dell'occhio. I ricercatori hanno inserito tutte queste informazioni — le risposte ai sondaggi, la storia clinica e le immagini dell'occhio — nel loro nuovo modello informatico. Il modello è stato costruito su una potente base di tecnologia di intelligenza artificiale esistente, ma è stato specialmente calibrato per comprendere il linguaggio e le immagini mediche. Una parte fondamentale del design è stata un metodo per tradurre i dati strutturati dei record medici, come i punteggi dei sondaggi, in un linguaggio naturale che il computer potesse elaborare insieme alle immagini. Ciò ha permesso al modello di vedere le connessioni tra un paziente che dice che gli occhi bruciano e la specifica rossore visibile in una fotografia.

I ricercatori hanno chiesto al modello di eseguire due compiti principali. Il primo era l'avviso precoce, dove il sistema cercava di prevedere il rischio di occhio secco basandosi solo sulle risposte ai sondaggi e sui fattori di stile di vita, prima che venissero scattate immagini dell'occhio. Il secondo compito era la diagnosi, dove il modello utilizzava tutte le informazioni disponibili, comprese le immagini dell'occhio, per determinare se un paziente avesse effettivamente la malattia. Il team ha testato il modello contro due diversi set di regole utilizzate dai medici: un set di linee guida internazionali e un altro di linee guida specifiche della Cina. Queste regole definiscono esattamente quale combinazione di sintomi e segni conta come malattia.

I risultati hanno mostrato che il modello era altamente efficace. Nel tentativo di prevedere il rischio di occhio secco utilizzando solo i dati del questionario, il modello era corretto circa il 96 percento delle volte secondo le linee guida cinesi e circa l'82 percento delle volte secondo le linee guida internazionali. Era particolarmente bravo a individuare la malattia quando era presente, mancando pochissimi casi. Quando il modello riceveva le immagini dell'occhio in aggiunta alle risposte del sondaggio per effettuare una diagnosi finale, la sua precisione migliorava ulteriormente. Identificava correttamente la malattia in più del 92 percento dei casi secondo le regole internazionali e oltre il 93 percento secondo le regole cinesi. Il modello era anche molto bravo nell'identificare correttamente le persone che non avevano la malattia, evitando falsi allarmi.

Per capire come il modello prendesse le sue decisioni, i ricercatori hanno osservato quali pezzi di informazione su cui esso si fosse maggiormente basato. Hanno scoperto che i dati strutturati dei questionari e delle cartelle cliniche erano il fattore più importante. Quando hanno rimosso queste informazioni e hanno chiesto al modello di fare affidamento solo sulle immagini dell'occhio, le sue prestazioni sono calate significativamente. Ciò suggerisce che per la sindrome dell'occhio secco, la descrizione dei sintomi da parte del paziente e la sua storia clinica sono gli indicatori più forti. Tuttavia, le immagini erano comunque preziose. Il modello le usava per confermare i suoi sospetti e per indicare segni fisici specifici, come le ghiandole oleose ostruite o minuscoli punti di danno sulla superficie dell'occhio. Il computer ha imparato a concentrare la sua attenzione sulle esatte aree dell'occhio che un medico umano esaminerebbe, evidenziando il rossore e la texture delle ghiandole palpebrali.

Il team ha anche testato il modello su un gruppo separato di pazienti provenienti dagli altri tre ospedali per vedere se funzionasse in contesti diversi del mondo reale. Questi ospedali utilizzavano fotocamere e attrezzature differenti per scattare le foto dell'occhio. Nonostante queste differenze, il modello ha mantenuto il suo alto livello di precisione. Ha diagnosticato con successo la malattia nel nuovo gruppo di pazienti, dimostrando di poter adattarsi alle variazioni nel modo in cui i dati venivano raccolti. Ciò suggerisce che lo strumento potrebbe essere utile in una vasta gamma di cliniche, non solo in quella in cui è stato creato inizialmente. I ricercatori hanno notato che il modello era particolarmente bravo nell'identificare la malattia negli adulti più anziani, un gruppo in cui la condizione è più comune, pur riconoscendo che i dati includevano meno casi di malattia molto lieve.

Lo studio conclude che questo nuovo approccio offre un modo promettente per migliorare il modo in cui la sindrome dell'occhio secco viene rilevata e diagnosticata. Combinando la voce del paziente con l'evidenza visiva del medico, il modello crea un quadro più completo della salute del paziente rispetto a quanto uno dei due metodi potrebbe fornire da solo. I ricercatori sottolineano che, sebbene lo strumento sia potente, è progettato per assistere i medici, non per sostituirli. Fornisce un modo robusto e scalabile per sottoporre screening alla malattia e supportare le decisioni cliniche, aiutando potenzialmente a individuare la condizione prima e a ridurre il carico per i pazienti che soffrono di fastidio oculare cronico. Il lavoro dimostra che quando l'intelligenza artificiale viene addestrata a comprendere sia i numeri che le immagini che i medici usano ogni giorno, può diventare un partner affidabile nella cura della salute oculare.