Valutazione dei classificatori di machine learning per il supporto alle decisioni di riferimento per il glaucoma nelle strutture di assistenza primaria

Jun 09, 2023

Rapporti scientifici volume 12, numero articolo: 8518 (2022) Citare questo articolo

934 accessi

1 Citazioni

3 Altmetrico

Dettagli sulle metriche

Sono stati proposti diversi algoritmi di intelligenza artificiale per aiutare a diagnosticare il glaucoma analizzando i cambiamenti funzionali e/o strutturali nell'occhio. Questi algoritmi richiedono set di dati attentamente curati con accesso alle immagini oculari. Nel presente studio, abbiamo modellato e valutato i classificatori per prevedere il glaucoma auto-riferito utilizzando una singola caratteristica oculare facilmente ottenibile (pressione intraoculare (IOP)) e caratteristiche non oculari (età, sesso, razza, indice di massa corporea, pressione sistolica e pressione diastolica e comorbidità). I classificatori sono stati addestrati sui dati disponibili al pubblico di 3015 soggetti senza diagnosi di glaucoma al momento dell'arruolamento. 337 soggetti hanno successivamente riferito autonomamente una diagnosi di glaucoma in un arco di tempo compreso tra 1 e 12 anni dopo l'arruolamento. I classificatori sono stati valutati in base alla capacità di identificare questi soggetti utilizzando solo le loro caratteristiche registrate al momento dell'arruolamento. La macchina vettoriale di supporto, la regressione logistica e il potenziamento adattivo sono stati eseguiti in modo simile sul set di dati con punteggi F1 rispettivamente di 0,31, 0,30 e 0,28. La regressione logistica aveva la sensibilità più alta al 60% con una specificità del 69%. I classificatori predittivi che utilizzano principalmente caratteristiche non oculari hanno il potenziale per essere utilizzati per identificare il sospetto glaucoma in contesti non oculistici, comprese le cure primarie. Sono necessarie ulteriori ricerche per trovare funzionalità aggiuntive che migliorino le prestazioni dei classificatori predittivi.

Il glaucoma è una neuropatia ottica progressiva che comporta la perdita delle cellule gangliari della retina; se non trattata può portare alla cecità completa. È la principale causa di cecità irreversibile nel mondo. Attualmente colpisce circa 70 milioni di persone e si prevede che il numero aumenterà fino a circa 112 milioni entro il 20401. Sebbene il deficit visivo causato dal glaucoma sia irreversibile, la diagnosi precoce e il trattamento della malattia possono ridurre i rischi di perdita permanente della vista2. Sfortunatamente, ciò è ostacolato dalla natura asintomatica del glaucoma3 e dal suo processo diagnostico complesso, dispendioso in termini di risorse e soggettivo4,5,6,7. Gli approcci basati sull'intelligenza artificiale (AI) possono consentire la costruzione, la validazione e l'implementazione di modelli predittivi per identificare individui ad alto rischio di sviluppare il glaucoma, in contesti che non hanno necessariamente accesso a dispositivi di imaging oftalmico (ad esempio cure primarie) e coordinare la loro cura con l'oftalmologia.

Negli ultimi anni sono stati esplorati diversi approcci basati sull'intelligenza artificiale per la diagnosi di patologie oftalmiche come la retinopatia diabetica8,9, l'edema maculare10,11 e il cheratocono12. Alcuni di questi sforzi hanno portato alla realizzazione di nuovi dispositivi medici. Nel 2018, IDx-DR è stato approvato dalla Food and Drug Association statunitense come il primo sistema diagnostico della retinopatia diabetica basato sull'intelligenza artificiale completamente autonomo13. Diversi studi sull'intelligenza artificiale hanno tentato di interpretare i modelli strutturali e funzionali che si manifestano nell'occhio per la prognosi e la diagnosi del glaucoma14,15,16,17,18,19,20,21,22,23,24,25. Reti neurali artificiali (ANN) e classificatori di apprendimento automatico sono stati utilizzati su dati funzionali, come i campi visivi, per identificare modelli di progressione glaucomatosa prima rispetto ai metodi più convenzionali14,15,16,17. L'avvento del deep learning ha consentito l'uso di immagini retiniche come fotografie a colori del fondo oculare (CFP)18,19,20,21,22 e immagini di tomografia a coerenza ottica maculare (OCT)23,24,25 per estrarre caratteristiche strutturali e differenziare il danno glaucomatoso . Rispetto a condizioni come la retinopatia diabetica, dove sono già state adottate tecnologie diagnostiche basate sull’intelligenza artificiale clinicamente fattibili, potrebbe essere più difficile sviluppare tali strumenti per il glaucoma, a causa della significativa variazione nell’aspetto dei dischi ottici. A questa sfida si aggiunge la necessità di set di dati di addestramento scelti con cura, ampi e diversificati per ottenere un’elevata accuratezza diagnostica. Le prestazioni dei modelli specifici per il glaucoma dipendono dalla qualità e dal numero di immagini (> 100.000), rendendolo un processo lungo e costoso26. Inoltre, sono necessari ripetuti test del campo visivo per tenere conto della loro intrinseca soggettività, rendendoli una parte importante del carico di lavoro assegnato ai servizi oculistici ospedalieri22,27.