Fotos oculares analisadas por inteligência artificial diagnosticam autismo na infância com 100% de precisão
Em um estudo publicado no JAMA Network Open, pesquisadores tiraram fotos das retinas de crianças e as examinaram usando um algoritmo de inteligência artificial (IA) de aprendizado profundo para diagnosticar o autismo com 100% de precisão. As descobertas apoiam a utilização da IA como uma ferramenta objetiva de rastreio para o diagnóstico precoce, especialmente quando o acesso a um psiquiatra infantil especializado é limitado.
Na parte posterior do olho, a retina e o nervo óptico se conectam ao disco óptico. Uma extensão do sistema nervoso central, a estrutura é uma janela para o cérebro e os pesquisadores começaram a capitalizar a sua capacidade de aceder de forma fácil e não invasiva a esta parte do corpo para obter informações importantes relacionadas com o cérebro.
Recentemente, pesquisadores do Reino Unido criaram um meio não invasivo de diagnosticar rapidamente uma concussão, iluminando a retina com um laser seguro para os olhos. Agora, pesquisadores da Faculdade de Medicina da Universidade Yonsei, na Coreia do Sul, desenvolveram um método para diagnosticar o transtorno do espectro do autismo (TEA) e a gravidade dos sintomas em crianças usando imagens da retina examinadas por um algoritmo de IA.
Os pesquisadores recrutaram 958 participantes com idade média de 7,8 anos e fotografaram suas retinas, resultando em um total de 1.890 imagens. Metade dos participantes foi diagnosticada com TEA e metade eram controles de mesma idade e sexo. A gravidade dos sintomas de TEA foi avaliada usando pontuações de gravidade calibradas do Cronograma de Observação de Diagnóstico de Autismo – Segunda Edição (ADOS-2) e pontuações da Escala de Responsividade Social – Segunda Edição (SRS-2).
Uma rede neural convolucional, um algoritmo de aprendizado profundo, foi treinada usando 85% das imagens da retina e pontuações de testes de gravidade dos sintomas para construir modelos para rastrear TEA e gravidade dos sintomas de TEA. Os 15% restantes das imagens foram retidos para teste.
Leia sobre "Desenvolvimento infantil", "Autismo: como reconhecer os sintomas precoces" e "Transtornos do espectro autista".
Para triagem de TEA no conjunto de imagens de teste, a IA conseguiu selecionar as crianças com diagnóstico de TEA com uma área sob a curva característica de operação do receptor (AUROC) média de 1,00. O valor da AUROC varia de 0 a 1. Um modelo cujas previsões estão 100% erradas tem uma AUROC de 0,0; aquele cujas previsões estão 100% corretas tem uma AUROC de 1,0, indicando que as previsões da IA no estudo atual foram 100% corretas. Não houve diminuição notável na AUROC média, mesmo quando 95% das áreas menos importantes da imagem – aquelas que não incluem o disco óptico – foram removidas.
“Nossos modelos tiveram desempenho promissor na diferenciação entre TEA e DT (crianças com desenvolvimento típico) usando fotografias da retina, o que implica que as alterações retinianas no TEA podem ter valor potencial como biomarcadores”, disseram os pesquisadores. “Curiosamente, estes modelos mantiveram uma AUROC média de 1,00 usando apenas 10% da imagem que contém o disco óptico, indicando que esta área é crucial para distinguir TEA de DT.”
O valor médio da AUROC para a gravidade dos sintomas foi de 0,74, onde uma AUROC de 0,7 a 0,8 é considerada “aceitável” e 0,8 a 0,9 é “excelente”.
“Nossas descobertas sugerem que as fotografias da retina podem fornecer informações adicionais sobre a gravidade dos sintomas”, disseram os pesquisadores. “Observamos que a classificação viável era alcançável apenas para pontuações do ADOS-2 e não para pontuações da SRS-2. Isso pode ocorrer porque o ADOS-2 é conduzido por um profissional treinado e com tempo suficiente para avaliação, enquanto a SRS-2 normalmente é concluída por um cuidador em algumas dezenas de minutos; assim, o primeiro refletiria o estado de gravidade de uma pessoa com mais precisão do que o último.”
Os participantes mais jovens do estudo tinham apenas quatro anos. Com base nas suas descobertas, os pesquisadores dizem que o seu modelo baseado em IA poderia ser usado como uma ferramenta de triagem objetiva a partir dessa idade. Como a retina do recém-nascido continua a crescer até os quatro anos de idade, são necessárias mais pesquisas para determinar se a ferramenta seria precisa para participantes mais jovens.
“Embora sejam necessários estudos futuros para estabelecer a generalização, o nosso estudo representa um passo notável no desenvolvimento de ferramentas objetivas de rastreio do TEA, que podem ajudar a resolver questões urgentes, como a inacessibilidade de avaliações especializadas em psiquiatria infantil devido aos recursos limitados”, afirmaram os pesquisadores.
Confira abaixo o resumo do artigo publicado.
Desenvolvimento de conjuntos profundos para triagem de autismo e gravidade dos sintomas usando fotografias da retina
A triagem para transtorno do espectro do autismo (TEA) é limitada por recursos limitados, especialmente profissionais treinados para realizar avaliações. Indivíduos com TEA apresentam alterações estruturais na retina que potencialmente refletem alterações cerebrais, incluindo anormalidades nas vias visuais através de conexões embrionárias e anatômicas. Não se sabe se os algoritmos de aprendizado profundo podem ajudar na triagem objetiva do TEA e gravidade dos sintomas usando fotografias da retina.
O objetivo do estudo foi desenvolver modelos de conjuntos profundos para diferenciar entre fotografias da retina de indivíduos com TEA versus desenvolvimento típico (DT) e entre indivíduos com TEA grave versus TEA leve a moderado.
Este estudo diagnóstico foi realizado em um único hospital terciário (Hospital Severance, Faculdade de Medicina da Universidade Yonsei) em Seul, República da Coreia. Fotografias da retina de indivíduos com TEA foram coletadas prospectivamente entre abril e outubro de 2022, e aquelas de indivíduos com DT da mesma idade e sexo foram coletadas retrospectivamente entre dezembro de 2007 e fevereiro de 2023.
Conjuntos profundos de 5 modelos foram construídos com validação cruzada de 10 vezes usando a rede ResNeXt-50 (32×4d) pré-treinada. Explicações visuais ponderadas por pontuação para redes neurais convolucionais, com técnica de apagamento progressivo, foram utilizadas para visualização do modelo e validação quantitativa. A análise dos dados foi realizada entre dezembro de 2022 e outubro de 2023.
As pontuações de gravidade calibradas do Cronograma de Observação de Diagnóstico de Autismo – Segunda Edição (ponto de corte de 8) e as pontuações T da Escala de Responsividade Social – Segunda Edição (ponto de corte de 76) foram usadas para avaliar a gravidade dos sintomas.
Os principais resultados foram a área sob a curva característica de operação do receptor (AUROC), sensibilidade e especificidade no nível do participante. O IC 95% foi estimado pelo método bootstrapping com 1.000 reamostras.
Este estudo incluiu 1.890 olhos de 958 participantes. Os grupos de TEA e de DT incluíram cada um 479 participantes (945 olhos), tinham idade média (DP) de 7,8 (3,2) anos e eram compostos principalmente por meninos (392 [81,8%]).
Para triagem de TEA, os modelos tiveram AUROC média, sensibilidade e especificidade de 1,00 (IC 95%, 1,00-1,00) no conjunto de teste. Esses modelos mantiveram uma AUROC média de 1,00 usando apenas 10% da imagem contendo o disco óptico.
Para triagem de gravidade dos sintomas, os modelos tiveram uma AUROC média de 0,74 (IC 95%, 0,67-0,80), sensibilidade de 0,58 (IC 95%, 0,49-0,66) e especificidade de 0,74 (IC 95%, 0,67-0,82) no conjunto de teste.
Esses achados sugerem que as fotografias da retina podem ser uma ferramenta de triagem objetiva viável para TEA e possivelmente para gravidade dos sintomas. O uso de fotografias da retina pode acelerar o processo de triagem de TEA, o que pode ajudar a melhorar a acessibilidade a avaliações especializadas em psiquiatria infantil, atualmente sobrecarregadas por recursos limitados.
Veja também sobre "Retinografia: o que é", "Estereotipias - como elas são" e "Atrasos do desenvolvimento".
Fontes:
JAMA Network Open, publicação em 15 de dezembro de 2023.
New Atlas, notícia publicada em 17 de dezembro de 2023.