L’intelligenza artificiale viene utilizzata per analizzare le immagini della retina

In un approccio di recente sviluppo, l’intelligenza artificiale (AI) viene utilizzata per analizzare le immagini della retina. Il sistema potrebbe essere utilizzato dai medici per selezionare il miglior trattamento per i pazienti che soffrono di perdita della vista a causa dell’edema maculare diabetico, una complicazione del diabete. Questo problema spesso porta alla perdita della vista tra gli adulti in età lavorativa.

Uno dei primi tipi di terapia che viene spesso utilizzato come linea di difesa contro l’edema maculare diabetico è l’anti-fattore di crescita endoteliale vascolare (VEGF). Il problema con gli agenti VEGF è che non funzionano per tutti. Coloro che potrebbero trarre beneficio dalla terapia devono essere identificati per primi, poiché richiede molte iniezioni. Queste iniezioni costano molto e sono onerose per entrambi i pazienti e i medici.

Il capo del team di ricerca è Sina Farsiu dell’Università di Duke.

“Abbiamo sviluppato un algoritmo che può essere utilizzato per analizzare automaticamente le immagini di tomografia a coerenza ottica (OCT) della retina per prevedere se un paziente è probabile che risponda ai trattamenti anti-VEGF”, ha detto. “Questa ricerca rappresenta un passo verso la medicina di precisione, in cui tali previsioni aiutano i clinici a selezionare meglio le prime terapie per i pazienti in base a condizioni di malattia specifiche”.

Il lavoro è stato pubblicato sulla rivista The Optical Society (OSA) Biomedical Optics Express. Nella rivista, Farsiu e il suo team hanno dimostrato come il nuovo algoritmo sia in grado di prevedere con precisione se un paziente è probabile che risponda alla terapia anti-VEGF, dopo un solo esame volumetrico.

“Il nostro approccio potrebbe potenzialmente essere utilizzato nelle cliniche oculistiche per prevenire trattamenti inutili e costosi e alleviare così un sostanziale carico di trattamento per i pazienti”, ha detto Farsiu. “L’algoritmo potrebbe anche essere adattato per prevedere la risposta alla terapia per molte altre malattie oculari, tra cui la degenerazione maculare legata all’età neovascolare”.

Il nuovo algoritmo si basa su una novella architettura di rete neurale convoluzionale (CNN). Una CNN è un tipo di intelligenza artificiale e assegna importanza a vari aspetti o oggetti per analizzare le immagini. L’algoritmo è stato utilizzato dai ricercatori per esaminare le immagini acquisite con OCT, una tecnologia non invasiva. L’OCT produce immagini della retina ad alta risoluzione e viene considerata lo standard di cura per la valutazione e il trattamento di varie condizioni oculari.

“A differenza degli approcci sviluppati in precedenza, il nostro algoritmo richiede immagini OCT da un solo punto di tempo pretreatamento”, ha detto Reza Rasti, primo autore del documento e ricercatore post-dottorato nel laboratorio di Farsiu. “Non c’è bisogno di immagini OCT a serie temporale, registri dei pazienti o altri metadati per prevedere la risposta alla terapia”.

Il nuovo algoritmo funziona evidenziando strutture globali nell’OCT. Allo stesso tempo, migliora anche le caratteristiche locali delle regioni malate. Cerca caratteristiche codificate da CNN che possono essere correlate con la risposta anti-VEGF.

L’algoritmo è stato testato con immagini OCT di 127 pazienti che avevano subito un trattamento per l’edema maculare diabetico con tre iniezioni consecutive di agenti anti-VEGF. L’algoritmo ha quindi analizzato le immagini OCT prese prima delle iniezioni anti-VEGF e le previsioni dell’algoritmo sono state confrontate con le immagini OCT prese dopo la terapia anti-VEGF. Ciò ha detto ai ricercatori se la terapia ha portato a un miglioramento della condizione.

L’algoritmo ha dimostrato di avere un tasso di accuratezza dell’87 percento per prevedere coloro che avrebbero risposto al trattamento. Ha avuto una precisione e una specificità media dell’85 percento e una sensibilità dell’80 percento.

I ricercatori ora vogliono confermare i risultati e intraprendere un trial osservazionale più ampio di pazienti che non hanno ancora subito il trattamento.