Un modello di regressione generalizzabile con apprendimento profondo per lo screening automatizzato del glaucoma dalle immagini del fondo oculare

Jun 07, 2023

npj Medicina Digitale volume 6, numero articolo: 112 (2023) Citare questo articolo

2068 accessi

5 Altmetrico

Dettagli sulle metriche

Negli ultimi anni sono stati proposti numerosi modelli di classificazione per l’individuazione del glaucoma dalle immagini del fondo oculare. Spesso addestrati con i dati di una singola clinica per il glaucoma, riportano prestazioni impressionanti su set di test interni, ma tendono ad avere difficoltà a generalizzare su set esterni. Questo calo delle prestazioni può essere attribuito a cambiamenti nei dati relativi alla prevalenza del glaucoma, alla telecamera del fondo oculare e alla definizione di verità fondamentale sul glaucoma. In questo studio, confermiamo che una rete di regressione precedentemente descritta per il rinvio al glaucoma (G-RISK) ottiene risultati eccellenti in una varietà di contesti difficili. Sono state utilizzate tredici diverse fonti di dati di immagini del fondo oculare etichettate. Le fonti di dati includono due grandi coorti di popolazione (Australian Blue Mountains Eye Study, BMES e German Gutenberg Health Study, GHS) e 11 set di dati disponibili al pubblico (AIROGS, ORIGA, REFUGE1, LAG, ODIR, REFUGE2, GAMMA, RIM-ONEr3, RIM- UNO DL, ACRIMA, PAPILA). Per ridurre al minimo gli spostamenti dei dati nei dati di input, è stata sviluppata una strategia di elaborazione delle immagini standardizzata per ottenere immagini centrate sul disco di 30° dai dati originali. Per i test del modello sono state incluse un totale di 149.455 immagini. L'area sotto la curva caratteristica operativa del ricevitore (AUC) per le coorti di popolazione BMES e GHS era pari a 0,976 [IC 95%: 0,967–0,986] e 0,984 [IC 95%: 0,980–0,991] a livello di partecipante, rispettivamente. Con una specificità fissa del 95%, la sensibilità era rispettivamente dell'87,3% e del 90,3%, superando il criterio minimo di sensibilità dell'85% raccomandato da Prevent Blindness America. I valori AUC sugli undici set di dati disponibili al pubblico variavano da 0,854 a 0,988. Questi risultati confermano l’eccellente generalizzabilità di un modello di regressione del rischio di glaucoma addestrato con dati omogenei provenienti da un singolo centro di riferimento terziario. È giustificata un’ulteriore validazione utilizzando studi prospettici di coorte.

Il glaucoma è una delle principali cause di deterioramento irreversibile della vista ed è destinato ad aumentare ulteriormente a causa dell’invecchiamento della popolazione globale1. Questa crescita non farà altro che aumentare l’attuale tasso elevato di oltre il 50% di casi non rilevati nei paesi sviluppati e in via di sviluppo2,3,4,5.

Gli attuali metodi di screening primario del glaucoma ad angolo aperto (POAG) non sono economicamente vantaggiosi in contesti basati sulla popolazione, poiché genererebbero un gran numero di falsi positivi con una prevalenza della malattia pari al 3,5% nelle popolazioni di età compresa tra 40 e 80 anni6,7,8 . Ciò sovraccaricherebbe il sistema sanitario, che attualmente funziona al di sopra delle sue capacità. La diagnosi viene attualmente effettuata in modo opportunistico ogni volta che un paziente viene visitato da un oculista. Questo scenario non può migliorare i tassi attuali di pazienti non diagnosticati e, allo stesso tempo, identificare quelli a maggior rischio di cecità. Le soluzioni di screening sotto forma di misurazioni della pressione intraoculare (IOP) non rilevano i casi di glaucoma con tensione normale, che possono rappresentare un'elevata percentuale di POAG7,9,10. Nel frattempo, i test sul campo visivo sono lunghi e producono risultati altamente variabili11. La consulenza per il glaucoma basata sull'analisi dell'intelligenza artificiale (AI) delle immagini digitali del fondo è stata proposta come una potenziale soluzione, data l'ampia disponibilità della modalità, i bassi costi associati e la caratteristica non invasiva12. Inoltre, le reti neurali convoluzionali (CNN) possono estrarre informazioni sul glaucoma dalle immagini del fondo oculare che superano le capacità della maggior parte degli esperti umani, come la stima quantitativa dello spessore dello strato delle fibre nervose retiniche (RNFL)13 o il rilevamento del glaucoma quando il disco ottico viene rimosso dal immagine14.

È stato riportato che il rilevamento del glaucoma basato sull'intelligenza artificiale ha prestazioni elevate nella convalida interna, ma le prestazioni sono peggiorate in condizioni di test esterni e, più specificamente, in contesti del mondo reale15,16,17. Modelli di intelligenza artificiale efficaci addestrati su immagini del fondo oculare etichettate da un singolo centro medico devono essere resistenti ai cambiamenti di distribuzione quando implementati in nuovi contesti che presentano dati fuori distribuzione (OoD)18. Questo requisito trascende il presupposto classico dell'apprendimento automatico secondo cui i dati di addestramento e test provengono dalla stessa distribuzione19. Un tale spostamento di dati può verificarsi quando il modello è stato addestrato su immagini catturate con una particolare fotocamera per fondo oculare e testato su immagini provenienti da un secondo dispositivo. Questa eterogeneità tra i centri nelle immagini del fondo può essere dovuta a diversi campi visivi (FOV), distribuzione del colore, illuminazione e area di interesse (centrata sul disco o centrata sulla macula). Le differenze nella popolazione, come l’etnia, la prevalenza della miopia e quella del glaucoma sono altre cause comuni di spostamenti dei dati che portano a prestazioni scadenti. Inoltre, esiste un’ampia varietà di definizioni di glaucoma, che esacerbano le sfide legate ai dati OoD. Soluzioni per contrastare gli spostamenti dei dati, come l'adattamento del dominio, sono state descritte nel contesto dell'analisi dell'immagine retinica, portando a una migliore generalizzabilità20,21. Tuttavia, questi approcci spesso si basano sulla disponibilità di immagini etichettate dal target impostato durante lo sviluppo del modello. Questo in genere non si riscontra nelle applicazioni del mondo reale, poiché questi modelli dovrebbero funzionare su dati potenziali provenienti da nuove fonti.