Inteligência artificial pode ajudar a diagnosticar a retinopatia da prematuridade
A retinopatia da prematuridade é uma condição ocular que afeta a retina1 em bebês2 prematuros. A retinopatia da prematuridade grave pode causar deficiência visual e cegueira em crianças, sendo uma das principais causas de cegueira infantil.
Embora os programas de triagem possam ajudar a prevenir a progressão da retinopatia do bebê prematuro, existem preocupações sobre a escassez de oftalmologistas pediátricos para realizar essas triagens, especialmente em ambientes com recursos limitados.
Estudos demonstraram que aplicativos de inteligência artificial (IA) podem diagnosticar com precisão a retinopatia da prematuridade grave com base na análise de imagens da retina1. No entanto, o desenvolvimento desses aplicativos de IA requer a experiência de cientistas de dados e hardware caro.
Um estudo recente publicado na revista The Lancet Digital Health relata que um aplicativo de IA sem código que não requer experiência em codificação ou hardware caro pode detectar com precisão a retinopatia da prematuridade grave usando imagens obtidas de um conjunto de dados etnicamente diverso do Reino Unido, bem como aqueles adquiridos em países de baixa e média rendas, como Brasil e Egito.
Os pesquisadores disseram que esse modelo de IA pode diagnosticar a retinopatia da prematuridade usando imagens obtidas com um dispositivo diferente daquele usado para desenvolver o modelo, embora com uma redução na precisão.
Mesmo sendo necessária mais validação, os pesquisadores disseram que suas descobertas indicam que os modelos de IA sem código podem ter o potencial para diagnosticar com precisão a retinopatia da prematuridade em ambientes com recursos limitados.
Saiba mais sobre "Retinopatia do bebê prematuro" e "Entendendo a prematuridade e os cuidados necessários".
“Até 30 por cento dos recém-nascidos na África subsaariana têm algum grau de retinopatia da prematuridade e, embora os tratamentos já estejam prontamente disponíveis, a condição pode causar cegueira se não for detectada e tratada rapidamente”, disse o Dr. Konstantinos Balaskas, autor do estudo e professor associado da University College London. “Isso geralmente ocorre devido à falta de especialistas em oftalmologia, mas, como é detectável e tratável, nenhuma criança deveria ficar cega por retinopatia da prematuridade”.
“À medida que a condição se torna mais comum, muitas áreas não têm oftalmologistas treinados suficientes para rastrear todas as crianças em risco”, disse Balaskas. “Esperamos que nossa técnica para automatizar o diagnóstico3 de retinopatia da prematuridade melhore o acesso aos cuidados em áreas carentes e evite a cegueira em milhares de recém-nascidos em todo o mundo.”
No artigo, os pesquisadores relatam que a retinopatia da prematuridade (RDP), uma das principais causas de cegueira infantil, é diagnosticada por meio de triagem em intervalos por oftalmologistas pediátricos. No entanto, a melhora da sobrevida4 de recém-nascidos prematuros, juntamente com a escassez de especialistas disponíveis, levantou preocupações sobre a sustentabilidade dessa abordagem.
O objetivo desse estudo foi desenvolver classificadores baseados em aprendizado profundo (deep learning) sob medida e sem código para doença plus, uma marca registrada da RDP, em uma população etnicamente diversa em Londres, Reino Unido, e validá-los externamente em populações etnicamente, geograficamente e socioeconomicamente diversas em quatro países e três continentes.
O aprendizado profundo sem código não depende da disponibilidade de cientistas de dados treinados por especialistas, sendo, portanto, um benefício potencial particular para ambientes de assistência à saúde5 com poucos recursos.
Este estudo de coorte6 retrospectivo7 utilizou imagens da retina1 de 1.370 neonatos8 internados em uma unidade neonatal do Homerton University Hospital NHS Foundation Trust, Londres, Reino Unido, entre 2008 e 2018. As imagens foram adquiridas usando um dispositivo Retcam versão 2 (Natus Medical, Pleasanton, CA, EUA) em todos os bebês2 nascidos com menos de 32 semanas de idade gestacional ou com peso de nascimento inferior a 1.501 g. Cada imagem foi classificada por dois oftalmologistas juniores com desacordos julgados por um oftalmologista9 pediátrico sênior10.
Modelos de aprendizado profundo sem código (APSC) e sob medida foram desenvolvidos para a discriminação de saudáveis, doença pré-plus e doença plus. O desempenho foi avaliado internamente em 200 imagens com a maioria dos votos de três oftalmologistas pediátricos seniores como padrão de referência. A validação externa foi em 338 imagens da retina1 de quatro conjuntos de dados separados dos EUA, Brasil e Egito com imagens derivadas do Retcam e do dispositivo 3nethra neo (Forus Health, Bengaluru, Índia).
Das 7.414 imagens da retina1 no conjunto de dados original, 6.141 imagens foram usadas no conjunto de dados de desenvolvimento final. Para a discriminação de saudável versus doença pré-plus ou plus, o modelo sob medida teve uma área sob a curva (AUC11) de 0,986 (IC 95% 0,973-0,996) e o modelo APSC teve uma AUC11 de 0,989 (0,979-0,997) no conjunto de teste interno.
Ambos os modelos generalizaram bem para conjuntos de testes de validação externos adquiridos usando o Retcam para discriminar saudável de pré-plus ou plus (a faixa para sob medida foi de 0,975-1,000 e a faixa para APSC foi de 0,969-0-995).
O modelo APSC foi inferior ao modelo sob medida na discriminação de doença pré-plus de saudável ou plus no conjunto de dados dos EUA (APSC 0,808 [IC 95% 0,671-0,909; sob medida 0,942 [0,892-0,982]], p = 0,0070).
O desempenho também foi reduzido quando testado no dispositivo de imagem 3nethra neo (APSC 0,865 [0,742-0,965] e sob medida 0,891 [0,783-0,977]).
Ambos os modelos sob medida e APSC conferiram desempenho semelhante a oftalmologistas pediátricos seniores para discriminar imagens retinianas saudáveis daquelas com características de doença pré-plus ou plus; no entanto, os modelos de aprendizado profundo sem código podem generalizar menos bem ao considerar classes minoritárias. Deve-se ter cuidado ao testar dados adquiridos usando dispositivos de imagem alternativos aos usados para o conjunto de dados de desenvolvimento.
Esse estudo justifica uma validação adicional de classificadores de doença plus na triagem de retinopatia da prematuridade e apoia um papel potencial para abordagens sem código para ajudar a prevenir a cegueira em neonatos8 vulneráveis.
Leia sobre "O que é retinopatia" e "Deficiência visual".
Fontes:
The Lancet Digital Health, Vol. 5, Nº 6, em junho de 2023.
Medical News Today, notícia publicada em 22 de junho de 2023.