a cura di Francesco Giorgino
Dipartimento dell’Emergenza e dei Trapianti di Organi, Sezione di Medicina Interna, Endocrinologia, Andrologia e Malattie Metaboliche, Università degli Studi di Bari “Aldo Moro”
Francesco Giorgino, Anna Leonardini
Dipartimento dell’Emergenza e dei Trapianti di Organi, Sezione di Medicina Interna, Endocrinologia, Andrologia e Malattie Metaboliche, Università degli Studi di Bari “Aldo Moro”
Articolo N. 1
Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs – Sviluppo e validazione di un algoritmo di “deep learning” per il rilevamento della retinopatia diabetica nelle fotografie del fondo oculare della retina
Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, Venugopalan S, Widner K, Madams T, Cuadros J, Kim R, Raman R, Nelson PC, Mega JL, Webster DR.
JAMA. 2016 Nov 29.
[protected]
>Scarica l’articolo in formato PDF
La retinopatia diabetica è la più importante complicanza oculare del diabete mellito e costituisce nei paesi industrializzati la principale causa di cecità tra i soggetti in età lavorativa. La sintomatologia soggettiva (calo del visus) può essere scarsa o talora assente anche in presenza di gravi lesioni retiniche: l’adozione di efficaci programmi di screening è una premessa indispensabile per prevenirla con successo.
Questo studio è stato condotto da Google insieme a medici degli Stati Uniti dove la prevalenza della retinopatia diabetica nella popolazione è di circa il 28,5% e a medici dell’India dove la prevalenza della retinopatia è di circa il 18%. La maggior parte delle linee guida raccomanda lo screening annuale per i pazienti senza retinopatia o con lieve retinopatia, da ripetere ogni 6 mesi in caso di retinopatia moderata e l’invio al trattamento dallo specialista nell’arco di poche settimane o mesi in caso di retinopatia severa, in caso di peggioramento o in presenza di edema maculare riferibile al diabete. La fotografia digitale del fondo dell’occhio è un modello efficiente di screening in quanto sfrutta la registrazione digitale dell’immagine ottenuta senza midriasi e con tempistiche rapide. Essa permette di visualizzare microaneurismi e essudati per diagnosticare e misurare l’evoluzione della retinopatia diabetica. Tuttavia, molti pazienti, soprattutto quelli che risiedono in aree geografiche in cui l’accesso alle cure specialistiche non è alla portata di tutti, spesso si accorgono della complicanza oculare quando è ormai troppo tardi. Questo progetto mira a sfruttare le potenzialità del machine learning per offrire una soluzione efficace.
Il machine learning (in italiano “apprendimento automatico”) rappresenta una delle aree fondamentali nel campo dell’intelligenza artificiale e sfrutta in maniera intelligente l’universo di informazioni a disposizione (nel caso specifico le immagini retiniche), ricavandone una guida fondamentale nel supporto ai processi decisionali.
La classificazione automatica della retinopatia diabetica ha potenziali effetti benefici come l’elevata efficienza e l’ottima riproducibilità; permetterebbe ampi programmi di screening in quanto ridurrebbe le barriere di accesso migliorando gli outcome del paziente e fornendo una diagnosi precoce e un trattamento tempestivo. Questo studio ha l’obiettivo di individuare, mediante l’utilizzo del deep learning (campo di ricerca dell’apprendimento automatico e dell’intelligenza artificiale) applicato alle fotografie della retina l’eventuale presenza di indicatori dell’insorgenza della complicanza oculare nel diabete. A tal fine è stato realizzato un database di circa 128.000 immagini: ciascuna immagine è stata valutata da 3-7 oftalmologi su 54 reclutati. Questo database è stato utilizzato per istruire una “rete neurale” utile a identificare la patologia. Successivamente le prestazioni dell’algoritmo sono state testate su due set di validazione clinica separati (EyePACS-1 e Messidor-2) per un totale di circa 12.000 immagini, e i risultati sono stati paragonabili a quelli ottenuti da un campione di 7-8 oftalmologi certificati (Fig.1). Nello specifico la validazione mediante il sistema EyePACS-1 ha utilizzato 9.963 immagini ottenute da 4.997 pazienti; quella mediante il sistema Messidor-2 ha utilizzato 1.748 immagini ottenute da 874 pazienti (Fig. 1).
Più che sostituirsi agli oftalmologi, l’algoritmo potrebbe consentire in futuro ai pazienti di rendere più veloci le visite presentandosi dal medico con le analisi realizzate con l’ausilio dell’intelligenza artificiale, anche se sarà necessario ancora molto lavoro prima che una simile applicazione possa essere resa disponibile su vasta scala. È infatti necessario definire ancora meglio gli standard di riferimento necessari per analizzare le immagini. Inoltre, l’interpretazione di una fotografia in 2D del fundus oculi è solo una parte di un percorso che porta ad una diagnosi di retinopatia diabetica. In alcuni casi, i medici utilizzano una tecnologia di imaging 3D, l’Optical Coherence Tomography (OCT), per esaminare in dettaglio i vari strati della retina. L’applicazione di apprendimento automatico per questa modalità di imaging 3D è già in corso. In futuro, questi due metodi complementari potranno essere utilizzati insieme per assistere i medici nella diagnosi di un ampio spettro di malattie oculari oltre la retinopatia diabetica.
[/protected]