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 diagnóstico¹ precoce, especialmente quando o acesso a um psiquiatra infantil especializado é limitado.

Na parte posterior do olho², a retina³ e o nervo óptico se conectam ao disco óptico⁴. Uma extensão do sistema nervoso central⁵, a estrutura é uma janela para o cérebro⁶ 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 cérebro⁶.

Recentemente, pesquisadores do Reino Unido criaram um meio não invasivo de diagnosticar rapidamente uma concussão, iluminando a retina³ com um laser seguro para os olhos⁷. 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 sintomas⁸ em crianças usando imagens da retina³ 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 sintomas⁸ de TEA foi avaliada usando pontuações de gravidade calibradas do Cronograma de Observação de Diagnóstico¹ 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 retina³ e pontuações de testes de gravidade dos sintomas⁸ para construir modelos para rastrear TEA e gravidade dos sintomas⁸ de TEA. Os 15% restantes das imagens foram retidos para teste.

Leia sobre "Desenvolvimento infantil", "Autismo: como reconhecer os sintomas⁸ precoces" e "Transtornos do espectro autista".

Para triagem de TEA no conjunto de imagens de teste, a IA conseguiu selecionar as crianças com diagnóstico¹ 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 óptico⁴ – foram removidas.

“Nossos modelos tiveram desempenho promissor na diferenciação entre TEA e DT (crianças com desenvolvimento típico) usando fotografias da retina³, 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 óptico⁴, indicando que esta área é crucial para distinguir TEA de DT.”

O valor médio da AUROC para a gravidade dos sintomas⁸ 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 retina³ 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 retina³ 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 sintomas⁸ usando fotografias da retina³

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 retina³ 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 sintomas⁸ usando fotografias da retina³.

O objetivo do estudo foi desenvolver modelos de conjuntos profundos para diferenciar entre fotografias da retina³ de indivíduos com TEA versus desenvolvimento típico (DT) e entre indivíduos com TEA grave versus TEA leve a moderado.

Este estudo diagnóstico¹ foi realizado em um único hospital terciário (Hospital Severance, Faculdade de Medicina da Universidade Yonsei) em Seul, República da Coreia. Fotografias da retina³ 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 Diagnóstico¹ 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 sintomas⁸.

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 bootstrapping⁹ com 1.000 reamostras.

Este estudo incluiu 1.890 olhos⁷ de 958 participantes. Os grupos de TEA e de DT incluíram cada um 479 participantes (945 olhos⁷), 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 óptico⁴.

Para triagem de gravidade dos sintomas⁸, 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 retina³ podem ser uma ferramenta de triagem objetiva viável para TEA e possivelmente para gravidade dos sintomas⁸. O uso de fotografias da retina³ 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 "Retinografia¹⁰: o que é", "Estereotipias - como elas são" e "Atrasos do desenvolvimento".

Fontes:
JAMA Network Open, publicação em 15 de dezembro de 2023.
New Atlas¹¹, notícia publicada em 17 de dezembro de 2023.