AI system boosts detection of multiple eye diseases at once
Researchers have developed a deep learning model that can simultaneously identify multiple eye conditions from a single scan, potentially improving screening efficiency and catch rates. The advance could reshape how clinics prioritize patients and reduce the specialist backlog that strains healthcare systems worldwide.
Originaltitel: EDNet-20: Enhancing Multi-Label Ocular Disease Detection through Deep Learning Optimization
Forskare från bangladeshiska universitet och Karolinska Institutet presenterar EDNet-20, en djupinlärningsmodell för automatisk diagnostik av ögonsjukdomar baserad på ögonbottenfotografier. Systemet hanterar multipel etikett-klassificering — det vill säga identifiering av flera samtidiga sjukdomstillstånd i samma bild — vilket motsvarar klinisk verklighet där patienter ofta har överlappande ögonpathologier. Modellen optimerar befintlig arkitektur genom nätverksförenkling och träningsteknik för att uppnå snabbare inferenstid utan väsentlig förlust i diagnostisk noggrannhet. Denna effektivering öppnar för driftsmiljöer med begränsad beräkningskapacitet. Resultaten är relevanta för regionvård som utvärderar AI-stödd screening av diabetisk retinopati och andra ögonsjukdomar. Eftersom detta är förpublicering är implementering i klinisk miljö ännu avlägsen, men modellen illustrerar vägen mot decentraliserad diagnostik i primärvården och låginkomstländer.