La retinopatia diabetica, complicanza grave che colpisce la retina (la membrana del bulbo oculare interno sensibile alla luce), è una delle principali cause di cecità tra gli adulti. Nuovi modelli automatizzati di apprendimento automatico sarebbero in grado di prevedere la progressione della retinopatia diabetica basandosi su immagini retiniche a campo ultra ampio
Retinopatia diabetica: non proliferativa e proliferativa
Indice dei contenuti
La retinopatia diabetica è una delle principali cause di cecità tra gli adulti. Si sviluppa generalmente in persone con diabete di tipo 1 o di tipo 2. Secondo l’Organizzazione Mondiale della Sanità (OMS), si stima che circa 93 milioni di persone nel mondo siano affette da questa patologia, e il numero sembrerebbe destinato ad aumentare.
La condizione può manifestarsi in due forme principali: non proliferativa e proliferativa. Nel primo caso, a causare la perdita della vista è il danneggiamento dei vasi sanguigni. Nella forma proliferativa, i vasi sanguigni danneggiati possono generare nuovi vasi sanguigni anormali. Questi iniziano a sanguinare nell’occhio e causano il distacco della retina che porta alla cecità.
Un aiuto dall’intelligenza artificiale
Un recente studio pubblicato su JAMA Ophthalmology, ha esaminato l’efficacia dei modelli automatizzati di apprendimento automatico nel prevedere la progressione della retinopatia diabetica, basandosi su immagini retiniche a campo ultra ampio.
La ricerca, guidata dal team di Paolo S. Silva dell’Università di Harvard a Boston, ha dimostrato che questi modelli di “machine learning” possono essere strumenti preziosi per identificare gli occhi a rischio di progressione della retinopatia diabetica.
Dettagli sullo studio
Per valutare l’efficacia dei modelli automatizzati di apprendimento automatico nel predire la progressione della retinopatia diabetica (DR), gli studiosi hanno preso in considerazione 1.179 immagini retiniche a campo ultra ampio, tutte deidentificate.
Esse provenivano da pazienti con DR non proliferativa (NPDR) lieve o moderata, seguiti longitudinalmente per tre anni.
Ebbene, utilizzando questi modelli avanzati, i ricercatori sono stati in grado di ottenere un’accuratezza sorprendente nella predizione della progressione della DR. Per l’NPDR lieve, l’area sotto la curva di richiamo di precisione è risultata essere del 0,717, mentre per l’NPDR moderato è stata ancora più impressionante, pari a 0,863.
Nel set di validazione, i risultati sono stati altrettanto promettenti. Per gli occhi con NPDR lieve, la sensibilità è stata del 72%, la specificità del 63% e l’accuratezza del 64,3%.
Per quelli con NPDR moderato, la sensibilità è stata invece del 80%, la specificità del 72% e l’accuratezza del 73,8%.
Precisione ed accuratezza dei modelli di machine learnign
Ma ciò che è veramente stupefacente è stata la capacità di questi modelli di individuare la progressione della malattia.
Nel set di validazione, sono stati in grado di identificare la stragrande maggioranza degli occhi che hanno mostrato una progressione significativa della DR.
Per gli occhi con NPDR lieve, il modello ha individuato il 75% di quelli che hanno avuto due o più passaggi di progressione.
Per quelli con NPDR moderato ha invece individuato l’85%.
La precisione è stata altrettanto impressionante nel prevedere la tempistica della progressione: identificando quasi tutti gli occhi che hanno progredito entro sei mesi o un anno.
«Potenzialmente, l’uso di algoritmi di apprendimento automatico può affinare il rischio di progressione della malattia e identificare i soggetti a più alto rischio a breve termine.
Cosa che riduce i costi e migliora i risultati legati alla vista», scrivono gli autori.
Importanza della scoperta sulla retinopatia diabetica
Questa scoperta è un passo significativo avanti nel campo della gestione della retinopatia diabetica.
Con l’aiuto dell’apprendimento automatico, i medici potrebbero essere in grado di identificare pazienti a rischio di gravi complicanze della retinopatia diabetica, così da prevenire danni irreversibili.
Inoltre sarebbero in grado di personalizzare il trattamento in base alle esigenze individuali.
Fonti
Paolo S. Silva et al, Automated Machine Learning for Predicting Diabetic Retinopathy Progression From Ultra-Widefield Retinal Images, JAMA Ophthalmology (2024).
Lanqin Zhao et al, Apprendimento automatico automatizzato per la progressione della retinopatia diabetica, JAMA Ophthalmology (2024