Título

Inteligência Artificial na Oftalmologia

Introdução

Deep learning (DL) ou Aprendizagem Profunda (AP) é um conjunto de técnicas de última geração para máquinas processarem dados sem a necessidade do ser humano. Tem sido usada para avaliar imagens oculares em doenças como retinopatia diabética (RD), glaucoma e degeneração macular relacionada à idade, oferecendo triagem e consequente diagnóstico, facilitando e potencializando o papel do médico, mesmo que exija recursos humanos e financeiros altos.

Método

Trata-se de uma revisão da literatura indexada na língua inglesa dos últimos dez anos sobre programas da inteligência artificial (IA) nas doenças oftalmológicas, os avanços e desafios a serem superados para garantir eficiência na prática clínica. Após análise dos artigos selecionados e elaboração da revisão, a mesma será publicada.

Resultados

Considerando que, em 2040, aproximadamente 600 milhões de pessoas serão diabéticas e que um terço destas desenvolverão RD, colaboradores do Google AI Healthcare criaram um sistema de DL com aproximadamente 10.000 imagens da retina recuperadas de dois bancos de dados publicamente disponíveis (EyePACS-1 e Messidor-2) para classificar esta doença. Isto resultou em alta correlação nas respostas comparando com 54 oftalmologistas americanos. Recentemente um sistema de AP (ALEX Net), desenvolvido por Abramoff ET AL, obteve aprovação da Foodand Drug Administrationdos EUA para diagnóstico de RD. Este sistema teve 87,2% de sensibilidade e 90,7% de especificidade em avaliação prospectiva observacional. Outro estudo objetivou desenvolver modelos de DL para detecção automática de medidas de OCT do espessamento macular diabético a partir de fotografias coloridas do fundo de olho. O algoritmo foi capaz de prever as principais medidas, mas o desempenho dos modelos de DL diminuiu quando as fotografias eram de baixa qualidade ou continham cicatrizes de laser.

Conclusões

Dados a eficiência em relação aos graduadores humanos e os resultados promissores, a IA é uma promessa para melhorar a relação custo-eficácia de rastreio das doenças oculares. Porém, nenhum modelo foi testado em programas de screening na vida real. Os desafios relacionam-se à heterogenicidade do padrão de normalidade das diferentes etnias, à falta de banco de dados de muitas doenças e à variabilidade de qualidade dos exames de imagem dos diversos equipamentos. A maioria dos trabalhos publicados conclui que pesquisas futuras são necessárias para validar algoritmos de DL para no mundo real.