- La retinopatia del prematuro è una condizione oculare che colpisce i neonati pretermine e può causare problemi alla vista o cecità a meno che non venga rilevata e trattata durante le prime fasi della malattia.
- Lo screening regolare dei neonati pretermine può aiutare a prevenire questi esiti avversi, ma c’è una carenza di oftalmologi pediatrici, specialmente nei paesi a basso e medio reddito.
- Uno studio recente ha dimostrato che un modello di intelligenza artificiale (AI) potrebbe analizzare le immagini della retina e diagnosticare con precisione la retinopatia della prematurità nei neonati prematuri.
- Il modello di intelligenza artificiale utilizzato nello studio non richiedeva esperienza di codifica e poteva essere potenzialmente implementato in contesti con risorse limitate.
Acuto
Sebbene i programmi di screening possano aiutare a prevenire la progressione della retinopatia del prematuro, ci sono preoccupazioni circa la scarsità di oftalmologi pediatrici per eseguire questi screening, specialmente in contesti con risorse limitate.
Gli studi hanno
UN
I ricercatori hanno affermato che questo modello di intelligenza artificiale potrebbe diagnosticare una grave retinopatia del prematuro utilizzando immagini ottenute con un dispositivo diverso da quello utilizzato per lo sviluppo del modello, anche se con una riduzione della precisione.
Sebbene sia necessaria un’ulteriore convalida, i ricercatori hanno affermato che i loro risultati indicano che i modelli di intelligenza artificiale senza codice possono possedere il potenziale per diagnosticare con precisione la retinopatia della prematurità in contesti con risorse limitate.
“Ben il 30% dei neonati nell’Africa sub-sahariana ha un certo grado di retinopatia della prematurità e, sebbene i trattamenti siano ora prontamente disponibili, può causare cecità se non rilevata e trattata rapidamente”, ha affermato il dott. Konstantinos Balaskas, autore dello studio e professore associato all’University College di Londra. “Questo è spesso dovuto alla mancanza di specialisti per la cura degli occhi, ma, dato che è rilevabile e curabile, nessun bambino dovrebbe diventare cieco a causa della retinopatia della prematurità”.
“Man mano che diventa più comune, molte aree non hanno abbastanza oftalmologi qualificati per lo screening di tutti i bambini a rischio”, ha detto Balaskas Notizie mediche oggi. “Ci auguriamo che la nostra tecnica per automatizzare la diagnostica della retinopatia del prematuro migliori l’accesso alle cure nelle aree meno servite e prevenga la cecità in migliaia di neonati in tutto il mondo”.
Screening per la retinopatia del prematuro
La retinopatia del prematuro è una malattia dell’occhio che colpisce la retina, che forma lo strato interno dell’occhio ed è responsabile della conversione della luce in impulsi nervosi.
La retinopatia della prematurità si osserva generalmente nei bambini nati prima delle 31 settimane di gravidanza o con un peso corporeo inferiore a 3 libbre.
Questa condizione dell’occhio è causata dalla crescita anormale dei vasi sanguigni nella retina. Nella retinopatia lieve del prematuro, i cambiamenti nei vasi sanguigni della retina si risolvono da soli. Al contrario, la crescita anormale dei vasi sanguigni nella grave retinopatia del prematuro può causare il distacco della retina, portando alla cecità.
La grave retinopatia del prematuro è caratterizzata da cambiamenti strutturali che coinvolgono l’allargamento e la torsione dei vasi sanguigni nella retina, indicati come malattia positiva. La presenza della malattia positiva è considerata un marker di retinopatia che richiede un trattamento.
Le attuali linee guida raccomandano lo screening periodico dei neonati prematuri o con basso peso alla nascita da parte di oftalmologi pediatrici. Mentre ci sono stati notevoli miglioramenti nella sopravvivenza dei neonati prematuri grazie ai progressi tecnologici e all’aumento degli screening, la mancanza di un numero adeguato di oftalmologi pediatrici è un ostacolo alla sostenibilità di questo sforzo.
La scarsità di oftalmologi pediatrici è ancora più acuta nei paesi a basso e medio reddito. Nell’ultimo decennio, le applicazioni di intelligenza artificiale hanno mostrato risultati promettenti nell’affrontare questo problema, ma ci sono alcuni ostacoli all’utilizzo di questo approccio innovativo allo screening.
Utilizzo di modelli di intelligenza artificiale
Gli oftalmologi usano le immagini della retina per visualizzare i vasi sanguigni e diagnosticare più malattie. Negli ultimi dieci anni, le applicazioni di intelligenza artificiale sono state
Nello specifico, queste applicazioni si basano sul deep learning, una forma di intelligenza artificiale che simula il processo di apprendimento che avviene nel cervello. Prima di essere implementati per la diagnosi delle malattie, i modelli di deep learning vengono addestrati utilizzando un set di dati di imaging annotato o etichettato da esperti medici. Per la retinopatia del prematuro, ciò comporterebbe l’utilizzo di immagini che gli oftalmologi hanno precedentemente identificato come sane o con più malattia.
Tuttavia, ci sono diversi ostacoli all’implementazione diretta di questi modelli per la diagnosi della malattia positiva nella clinica, specialmente nei paesi a basso e medio reddito. Ad esempio, la maggior parte di questi modelli di deep learning è stata ottimizzata utilizzando dati provenienti dal Nord America e dall’Asia.
Si prevede che questi dati sottorappresentino i gruppi etnici e quelli provenienti da un background socioeconomico inferiore. Lo sviluppo della retinopatia del prematuro è influenzato dall’etnia, suggerendo che questi modelli potrebbero non essere generalizzabili.
Inoltre, i gruppi di ricerca hanno addestrato la maggior parte di questi modelli di intelligenza artificiale per il rilevamento della malattia positiva utilizzando i dati ottenuti con uno specifico dispositivo di imaging chiamato Retcam. I dispositivi di imaging come Retcam tendono ad essere costosi e altri dispositivi sono spesso utilizzati nei paesi a basso e medio reddito.
Tuttavia, l’accuratezza di questi modelli deve ancora essere valutata su set di dati ottenuti utilizzando altri dispositivi di imaging. Gli algoritmi di intelligenza artificiale mostrano spesso un calo della precisione quando vengono utilizzati per analizzare i dati di imaging ottenuti utilizzando un dispositivo diverso da quello utilizzato per lo sviluppo del modello, evidenziando la necessità di convalidare questi modelli su set di dati esterni prima della distribuzione nel mondo reale.
L’implementazione di questi modelli di intelligenza artificiale è inoltre limitata dalla necessità di costosi hardware per computer e dall’esperienza dei data scientist. Queste risorse potrebbero non essere accessibili ai singoli medici e persino ai gruppi di ricerca, specialmente nelle nazioni a basso e medio reddito.
Questi impedimenti associati ai modelli di deep learning personalizzati possono essere aggirati mediante l’uso di applicazioni di deep learning prive di codice che non richiedono competenze di codifica e dispongono di un’interfaccia di facile utilizzo. Inoltre, i programmi di deep learning senza codice sono spesso basati su cloud, annullando così la necessità di hardware costoso. Queste piattaforme di deep learning senza codice richiedono ancora un set di dati annotato, ma possono essere utilizzate da un medico senza esperienza di codifica.
Precisione del modello di deep learning senza codice
Nel presente studio, i ricercatori hanno confrontato le prestazioni di un modello di deep learning su misura e privo di codice con medici esperti nella diagnosi di più malattie sulla base dell’analisi dei dati di imaging di diversi paesi ottenuti utilizzando Retcam.
Inoltre, hanno esaminato la capacità di questi modelli sviluppati utilizzando Retcam di identificare con precisione più malattie utilizzando immagini ottenute con un dispositivo diverso.
I ricercatori hanno prima sviluppato un modello di deep learning su misura e privo di codice utilizzando immagini Retcam ottenute da neonati provenienti da contesti etnici e socioeconomici diversi in un ospedale del Regno Unito. Nello specifico, i modelli di deep learning personalizzati e privi di codice sono stati inizialmente addestrati su un sottoinsieme di immagini di questi neonati e quindi la loro accuratezza è stata valutata sulle immagini rimanenti di questo set di dati.
I modelli di deep learning su misura e privi di codice hanno mostrato un’accuratezza simile a quella degli oftalmologi senior nel rilevare i neonati senza o con malattia plus o pre-plus. La malattia pre-plus descrive anomalie nei vasi sanguigni simili a quelle osservate nella malattia plus ma non sono abbastanza gravi da essere diagnosticate come malattia plus. Il rilevamento della malattia pre-plus può aiutare a iniziare il trattamento precoce della retinopatia del prematuro.
I due modelli hanno anche mostrato un’elevata accuratezza diagnostica simile durante l’analisi dei set di dati di immagini Retcam provenienti dagli Stati Uniti e da due paesi a basso e medio reddito: Brasile ed Egitto. Tuttavia, il modello di deep learning senza codice ha mostrato una precisione inferiore nel rilevare i casi con malattia pre-plus rispetto al modello su misura.
I ricercatori hanno anche valutato le prestazioni dei modelli utilizzando un set di dati separato dall’Egitto ottenuto con un diverso dispositivo di imaging chiamato 3nethra. Entrambi i modelli hanno mostrato un calo dell’accuratezza diagnostica durante l’analisi di questo set di dati ottenuto utilizzando 3nethra rispetto ai set di dati di addestramento o convalida.
Questi risultati evidenziano il potenziale del modello di deep learning senza codice per la diagnosi della malattia positiva nei paesi a basso e medio reddito, dove la scarsità di oftalmologi pediatrici e le risorse limitate possono ostacolare lo screening regolare dei neonati prematuri.
“Questo è uno studio intelligente che mostra un’applicazione potenzialmente molto utile dell’intelligenza artificiale. Gli autori hanno dimostrato che il loro programma di intelligenza artificiale ha funzionato bene come gli oculisti senior nell’identificare una delle principali cause di cecità nei bambini esaminando le immagini retiniche “, ha affermato il dott. Deepak Bhatt, MPH, direttore del Mount Sinai Heart di New York.
“L’apprendimento automatico e l’intelligenza artificiale sono passati dalla fantascienza a una possibile utilità nella pratica clinica”, ha detto Bhatt Notizie mediche oggi. “Questo studio ne è un bell’esempio. Sono necessari ulteriori studi come questo in diverse popolazioni”.
