Nova rede neural convolucional auxilia especialistas em retina ao identificar automaticamente fluido intrarretiniano e edema macular em exames de OCT, prometendo um diagnóstico mais rápido e preciso de condições que ameaçam a visão.
Introdução
Doenças que afetam a mácula, como a degeneração macular relacionada à idade (DMRI) e o edema macular diabético (EMD), são as principais causas de perda de visão em todo o mundo. A rápida identificação de alterações exsudativas e acúmulo de fluido na retina é crucial para uma intervenção oportuna e prevenção de danos irreversíveis. A tomografia de coerência óptica (OCT) é a técnica de imagem preferida para detectar essas anormalidades retinianas, porém a interpretação dos exames de OCT é demorada e requer conhecimento especializado.
Apesar dos avanços na área de imagem, a dependência da revisão manual das imagens de OCT apresenta desafios, especialmente em ambientes clínicos movimentados ou áreas carentes, onde especialistas em retina podem não estar prontamente disponíveis. A inteligência artificial (IA), particularmente o aprendizado profundo, surgiu como uma ferramenta promissora para aprimorar a interpretação da OCT e melhorar a velocidade e a precisão do diagnóstico.
Neste estudo, uma nova rede neural convolucional (CNN) foi desenvolvida especificamente para detectar fluido intrarretiniano e edema macular em exames de OCT B. O modelo demonstrou desempenho notável, alcançando uma área sob a curva (AUC) de 0,965 e precisão geral de 96,4%, ressaltando seu potencial para auxiliar médicos na identificação eficiente de doenças maculares exsudativas. Parceria e Contexto do Estudo Esta pesquisa foi conduzida em colaboração por especialistas em retina e engenheiros de aprendizado de máquina do Instituto Nacional de Investigación en Oftalmología e da Arkangel AI em Medellín, Colômbia. O cenário colombiano é significativo, visto que o diagnóstico e o tratamento oportunos de doenças da retina podem ser particularmente desafiadores em países de renda média com cobertura limitada de subespecialistas. A população de pacientes incluiu uma combinação de patologias retinianas comuns relevantes para a prática clínica, abrangendo olhos normais, EMD, DMRI úmida e doenças retinianas não exsudativas. Este conjunto de dados diversificado garantiu que a CNN fosse treinada e testada em um espectro realista de casos encontrados por especialistas em retina.
Desenho e Metodologia do Estudo
O estudo seguiu uma abordagem retrospectiva de análise de fontes secundárias, incluindo imagens de OCT de 108 pacientes, totalizando 158 olhos. As imagens foram coletadas e examinadas por dois especialistas em retina, que rotularam aquelas que continham marcadores biológicos indicativos de fluido intrarretiniano secundário à doença exsudativa.
- Conjunto de dados de imagens: 158 exames B de OCT de 108 pacientes, capturados e selecionados com exclusão estrita de imagens com artefatos ou baixa qualidade de sinal (abaixo de 6/10).
- Divisão entre treinamento e validação: 110 imagens usadas para treinamento, 28 para teste e 20 para validação.
- Aumento de dados: Para superar o conjunto de dados relativamente pequeno, a equipe aplicou extensos aumentos, incluindo rotações, ajustes de brilho, cisalhamento, zoom e inversões, aumentando as imagens de treinamento para 2.000.
- Arquitetura de IA: Uma rede neural convolucional foi projetada para classificar os exames de OCT como positivos ou negativos para fluido intrarretiniano e edema macular, mimetizando tomada de decisão.
A CNN operou analisando padrões em nível de pixel consistentes com o acúmulo de fluidos, aprendendo as características sutis nas quais especialistas humanos confiam, automatizando e padronizando esse complexo processo de interpretação.
Principais Resultados
- Precisão da classificação: O modelo classificou com precisão 27 das 28 imagens de teste, correspondendo a uma precisão de 96,4%.
- AUC: A área sob a curva ROC foi de 0,965, indicando excelente capacidade discriminativa.
- Precisão e Recall: A precisão atingiu 97,9%, demonstrando um alto valor preditivo positivo, e o recall (sensibilidade) foi de 90,0%, demonstrando detecção robusta de verdadeiros positivos.
- Especificidade: Com 90,0%, o algoritmo minimizou efetivamente os falsos positivos.
- Pontuação F1: A média harmônica de precisão e recall foi de 0,934, destacando um desempenho equilibrado.
- Significância Estatística: A razão de chances foi de 14,81 (P < 0,001), confirmando que as classificações corretas estavam muito além do acaso.
Além disso, a validação em um subconjunto separado confirmou a confiabilidade dessas métricas, com intervalos de confiança que sustentam um alto desempenho consistente.
Interpretação e Implicações Clínicas
Esta ferramenta baseada em CNN oferece um poderoso complemento aos especialistas em retina, sinalizando rapidamente exames de OCT que mostram fluido intrarretiniano e edema macular, ambos indicadores-chave de doença retiniana exsudativa. A identificação precoce leva ao encaminhamento imediato, ao início do tratamento — frequentemente terapia anti-VEGF — e potencialmente preserva a visão.
A automatização dessa etapa crítica do diagnóstico pode agilizar os fluxos de trabalho, reduzir a sobrecarga dos médicos e promover uma triagem mais acessível, especialmente em ambientes com recursos limitados. No entanto, os resultados da IA devem apoiar, e não substituir, o julgamento clínico; os especialistas continuam sendo essenciais para o diagnóstico definitivo e as decisões de tratamento.
Limitações como a dependência de imagens de alta qualidade e pequenos conjuntos de dados de treinamento significam que é necessária uma validação prospectiva adicional em ambientes clínicos reais e ruidosos antes da adoção generalizada.
Implantação e Escalabilidade
O modelo CNN é adequado para integração em dispositivos clínicos de OCT ou softwares de revisão de imagens, permitindo análises quase em tempo real à medida que as imagens são capturadas. A implementação dessa tecnologia pode aprimorar os programas de triagem ou os serviços de teleoftalmologia, melhorando a detecção precoce em regiões com disponibilidade limitada de especialistas em retina.
As barreiras à implantação incluem a garantia da qualidade consistente das imagens e o estabelecimento de aprovações regulatórias. Abordar essas questões exigirá colaboração entre profissionais de saúde, fabricantes de dispositivos e órgãos reguladores.
Além disso, a estrutura metodológica pode ser adaptada para identificar outras patologias retinianas ou tipos de fluidos, expandindo a utilidade da IA em oftalmologia.
Conclusão e Próximos Passos
Este estudo apresenta um modelo de IA de alto desempenho capaz de detectar com precisão edema macular e fluido intrarretiniano em exames de OCT, demonstrando a promessa do aprendizado profundo para aprimorar o tratamento clínico da retina. Avaliações prospectivas em tempo real são necessárias para confirmar a eficácia nos fluxos de trabalho clínicos.
Pesquisas futuras devem se concentrar em aumentar a diversidade dos conjuntos de dados, melhorar a robustez para imagens de qualidade inferior e explorar caminhos de integração para facilitar a ampla adoção clínica. Tais medidas ajudarão a traduzir essa inovação do ambiente de pesquisa em melhorias tangíveis nos resultados dos pacientes em todo o mundo.
Referência: Acosta CP, Piedrahita MA, Sanchez JG, Muñoz-Ortiz J, Martinez J, Zea J, et al. Using AI to Identify Exudative Macular Disease. Retina Today. Julho/Agosto de 2024.
