Um modelo de regressão de aprendizagem profunda generalizável para triagem automatizada de glaucoma a partir de imagens de fundo de olho

Jun 07, 2023

npj Digital Medicine volume 6, Número do artigo: 112 (2023) Citar este artigo

2068 acessos

5 Altmétrico

Detalhes das métricas

Uma infinidade de modelos de classificação para a detecção de glaucoma a partir de imagens de fundo de olho foram propostas nos últimos anos. Frequentemente treinados com dados de uma única clínica de glaucoma, eles relatam um desempenho impressionante em conjuntos de testes internos, mas tendem a ter dificuldade em generalizar para conjuntos externos. Essa queda de desempenho pode ser atribuída a mudanças nos dados de prevalência do glaucoma, na câmera do fundo de olho e na definição da verdade básica do glaucoma. Neste estudo, confirmamos que uma rede de regressão descrita anteriormente para encaminhamento de glaucoma (G-RISK) obtém excelentes resultados em uma variedade de ambientes desafiadores. Foram utilizadas treze fontes de dados diferentes de imagens de fundo marcadas. As fontes de dados incluem duas grandes coortes populacionais (Australian Blue Mountains Eye Study, BMES e German Gutenberg Health Study, GHS) e 11 conjuntos de dados disponíveis publicamente (AIROGS, ORIGA, REFUGE1, LAG, ODIR, REFUGE2, GAMMA, RIM-ONEr3, RIM- UM DL, ACRIMA, PAPILA). Para minimizar as mudanças de dados nos dados de entrada, uma estratégia padronizada de processamento de imagem foi desenvolvida para obter imagens centradas no disco a 30° a partir dos dados originais. Um total de 149.455 imagens foram incluídas para teste do modelo. A área sob a curva característica de operação do receptor (AUC) para coortes populacionais BMES e GHS foi de 0,976 [IC 95%: 0,967–0,986] e 0,984 [IC 95%: 0,980–0,991] no nível dos participantes, respectivamente. Com uma especificidade fixa de 95%, as sensibilidades foram de 87,3% e 90,3%, respectivamente, superando o critério mínimo de sensibilidade de 85% recomendado pela Prevent Blindness America. Os valores de AUC nos onze conjuntos de dados disponíveis publicamente variaram de 0,854 a 0,988. Estes resultados confirmam a excelente generalização de um modelo de regressão de risco de glaucoma treinado com dados homogêneos de um único centro de referência terciário. Validação adicional usando estudos de coorte prospectivos é necessária.

O glaucoma é uma das principais causas de deficiência visual irreversível e aumentará ainda mais devido ao envelhecimento da população global1. Este crescimento apenas aumentará a actual elevada taxa de mais de 50% de casos não detectados nos países desenvolvidos e em desenvolvimento2,3,4,5.

Os atuais métodos de rastreio do glaucoma primário de ângulo aberto (GPAA) não são custo-efetivos em ambientes populacionais, pois gerariam um grande número de falsos positivos com uma prevalência da doença de 3,5% em populações com idades compreendidas entre os 40 e os 80 anos6,7,8 . Isto sobrecarregaria o sistema de saúde, que actualmente funciona dentro ou acima da sua capacidade. Atualmente, o diagnóstico é feito de forma oportunista sempre que um paciente é atendido por um oftalmologista. Este cenário não pode melhorar as taxas atuais de pacientes não diagnosticados e, ao mesmo tempo, identificar aqueles com maior risco de cegueira. Soluções de triagem na forma de medidas de pressão intraocular (PIO) não detectam casos de glaucoma com tensão normal, o que pode representar uma alta proporção de GPAA7,9,10. Enquanto isso, os testes de campo visual são demorados e produzem resultados altamente variáveis11. O encaminhamento do glaucoma baseado na análise de inteligência artificial (IA) de imagens digitais do fundo de olho tem sido proposto como uma solução potencial, dada a ampla disponibilidade da modalidade, o baixo custo associado e a característica não invasiva12. Além disso, as redes neurais convolucionais (CNNs) podem extrair informações glaucomatosas de imagens de fundo de olho que excedem as capacidades da maioria dos especialistas humanos, como a estimativa quantitativa da espessura da camada de fibras nervosas da retina (RNFL)13 ou a detecção de glaucoma quando o disco óptico é removido do imagem14.

A detecção de glaucoma baseada em IA foi relatada com alto desempenho na validação interna, mas o desempenho foi degradado em condições de testes externos e, mais especificamente, em ambientes do mundo real15,16,17. Modelos eficazes de IA treinados em imagens de fundo de olho rotuladas de um único centro médico precisam ser robustos às mudanças de distribuição quando implantados em novos ambientes que apresentam dados fora de distribuição (OoD)18. Esse requisito transcende a suposição clássica do aprendizado de máquina de que os dados de treinamento e teste vêm da mesma distribuição19. Essa mudança de dados pode surgir quando o modelo foi treinado em imagens capturadas com uma câmera de fundo específica e testado em imagens de um segundo dispositivo. Essa heterogeneidade entre centros nas imagens do fundo de olho pode ser devida a diferentes campos de visão (FOV), distribuição de cores, iluminação e área de interesse (centrada no disco ou centrada na mácula). Diferenças na população, como etnia, prevalência de miopia e prevalência de glaucoma são outras causas comuns de alterações de dados que levam à degradação do desempenho. Além disso, existe uma grande variedade de definições de glaucoma, exacerbando os desafios relacionados aos dados OoD. Soluções para combater mudanças de dados, como adaptação de domínio, foram descritas no contexto da análise de imagens da retina, levando a uma melhor generalização20,21. No entanto, estas abordagens dependem frequentemente da disponibilidade de imagens rotuladas do alvo definido durante o desenvolvimento do modelo. Isto normalmente não é encontrado em aplicações do mundo real, uma vez que estes modelos devem funcionar em dados prospectivos de novas fontes.