۲۷نوامبر ۲۰۲۵-رتینوپاتی دیابتی (DR) یکی از علل اصلی نابینایی در بزرگسالان در سن کار است و بیش از ۱۳۰میلیون نفر را در سراسر جهان تحت تأثیر قرار می دهد. اگرچه پیشرفت های تصویربرداری چشم پزشکی پایش بیماری را بهبود بخشیده است، بیشتر بیماران تنها پس از سال ها آسیب شبکیه ی تشخیص داده نشده، شناسایی می شوند. تغییرات مولکولی و سلولی اولیه - از جمله نورودژنراسیون، التهاب و اختلال عملکرد عروقی - اغلب با روش های استاندارد مانند فوندوس فتوگرافی یا آنژیوگرافی قابل شناسایی نیستند. در نتیجه، بیماران ممکن است پیش از تشخیص، دچار اختلالات بینایی غیرقابل بازگشت شوند. به دلیل این محدودیت ها، نیاز فوری به نشانگرهای تصویربرداری غیرتهاجمی وجود دارد تا تغییرات زیر بالینی شبکیه در مراحل اولیه دیابت شناسایی شوند.
یک تیم تحقیقاتی از دانشگاه کویمبرا در پرتغال، یک تحلیل بافتی مبتنی بر تصاویر توموگرافی انسجام نوری(OCT) توسعه داده است که قادر به شناسایی تغییرات اولیه شبکیه در دیابت نوع ۲می باشد. این مطالعه که در تاریخ ۳سپتامبر ۲۰۲۵در مجله Eye and Vision منتشر شد، از مدل موش با رژیم پرچرب و دوز پایین استرپتوزوتوسین برای پایش تغییرات شبکیه طی ۱۲هفته استفاده کرد. با کمّی سازی تغییرات میکروسکوپی بافت، این روش توانست ناهنجاری های نوروعروقی اولیه را آشکار کند که مدت ها پیش از ظهور نشانگرهای سنتی یا نشت عروقی رخ داده بودند.
روش و یافته ها
با استفاده از تحلیل پیشرفته ی تصویر، پژوهشگران بیش از ۸۰اسکن شبکیه از موش های دیابتی و کنترل را ارزیابی کردند و رویکرد ماتریس هم وقوع سطح خاکستری[1] (GLCM) را برای کمّی سازی پارامترهای بافتی در لایه های شبکیه به کار بردند. از میان ۲۰ویژگی بررسی شده، هشت ویژگی شامل موارد زیر تغییرات قابل توجهی را در شبکیه ی افراد دیابتی، به ویژه در لایه ی شبکه ای داخلی(IPL) و بخش های گیرنده ی نوری (IS/OS)نشان دادند:
· کنتراست(Contrast): میزان تفاوت شدت روشنایی بین پیکسلهای مجاور را نشان میدهد.
· همگنی(Homogeneity): میزان یکنواختی یا شباهت شدتها در تصویر را بیان میکند.
· همبستگی(Correlation): ارتباط آماری بین شدتهای پیکسلهای مجاور را اندازهگیری میکند.
· خودهمبستگی(Autocorrelation): میزان شباهت الگوهای شدت در نقاط مختلف تصویر را نشان میدهد.
· برجستگی خوشه(Cluster Prominence): میزان برجستگی یا شدت تفاوت در گروههای پیکسل مشابه را مشخص میکند.
· معیار اطلاعاتی همبستگیII (IMCII): میزان وابستگی اطلاعاتی بین شدتهای پیکسلها را محاسبه میکند.
· ممان تفاوت معکوس نرمالشده(IDN): میزان تفاوت شدتها را با تأکید بر شباهتهای نزدیک اندازهگیری میکند.
· تفاوت معکوس نرمالشده(INN): شباهت بین شدتهای پیکسلها را با وزندهی به اختلافهای کوچکتر نشان میدهد.
· میانگین مجموع(Sum Average): میانگین کلی شدتهای هموقوع در تصویر را بیان می کند.
جالب آنکه هفت مورد از این شاخص ها در مطالعه ی قبلی با مدل دیابت نوع ۱نیز تغییر کرده بودند که ثبات تشخیصی آن ها را تقویت می کند.
با وجود نازک شدگی اندک و تأخیر در پتانسیل های نوسانی، شبکیه ها هیچ التهاب عمده یا نشت عروقی نشان ندادند، که تأیید می کند تغییرات بافتی پیش از آسیب شناسی آشکار رخ می دهند. این یافته ها تحلیل بافت را به عنوان روشی حساس و کمی برای شناسایی بی نظمی های ساختاری اولیه در شبکیه برجسته می کنند، روشی که می تواند شکاف میان تغییرات زیستی و تشخیص بالینی را پر کند.
اهمیت بالینی
پروفسور آنتونیو فرانسیسکو آمبروسـیو، یکی از نویسندگان ارشد این مطالعه، گفت: نتایج ما نشان می دهد که تحلیل بافت می تواند تغییرات بسیار کوچک شبکیه را مدت ها پیش از آنکه رتینوپاتی دیابتی به طور بالینی قابل مشاهده شود، آشکار کند. با ثبت سیگنال های ساختاری ظریف در تصاویر OCT، این رویکرد پنجره ی تشخیصی جدیدی به فرآیند های اولیه بیماری می گشاید. این روش امکان شناسایی بیماران پرخطر پیش از آسیب دائمی بینایی را فراهم می کند و از درمان زودهنگام و نتایج بهتر حمایت می نماید. همخوانی این شاخص های بافتی در مدل های مختلف دیابت، پتانسیل آن ها را به عنوان نشانگرهای اولیه ی جهانی تقویت می کند.
او افزود: «این پژوهش مسیر توسعه ی ابزارهای تشخیصی مبتنی بر هوش مصنوعی را هموار می کند که به طور خودکار رتینوپاتی دیابتی پیش بالینی را بر اساس امضاهای بافت شبکیه غربالگری می کنند. ادغام این تحلیل در تصویربرداری روتینOCT می تواند به چشم پزشکان امکان دهد بیمارانی را شناسایی کنند که دچار اختلالات ساختاری میکروسکوپی هستند- حتی زمانی که بینایی آن ها طبیعی به نظر می رسد. چنین تشخیص زودهنگامی می تواند مراقبت شخصی سازی شده را تسهیل کند، از آسیب غیرقابل بازگشت شبکیه جلوگیری نماید و بار جهانی نابینایی ناشی از دیابت را کاهش دهد. اکنون نیاز به کارآزمایی های بالینی بیشتر برای اعتبارسنجی این یافته ها در انسان و بهبود الگوریتم ها برای غربالگری گسترده و کاربردهای تله افتالمولوژی وجود دارد».
منبع:
https://www.news-medical.net/news/20251127/Texture-based-analysis-of-OCT-images-reveals-early-retinal-changes-in-diabetes.aspx
[1]ماتریس هم وقوع سطح خاکستری(GLCM) روشی در پردازش تصویر است که بررسی می کند شدت های مختلف پیکسل ها (روشن و تیره) در کنار هم با چه فراوانی رخ می دهند. این الگوها سپس به ویژگی های عددی مثل کنتراست، همگنی یا همبستگی تبدیل میشوند تا بافت تصویر تحلیل شود.