Glaucoma é a segunda principal causa de cegueira no mundo, impactando aproximadamente 2,7 milhões de pessoas apenas nos EUA. É um conjunto complexo de doenças e, se não for tratado, pode levar à cegueira. É um problema particularmente grande na Austrália, onde apenas 50 por cento de todas as pessoas que a têm são realmente diagnosticadas e recebem o tratamento de que precisam.

Como parte de uma equipe de cientistas da IBM e da New York University, meus colegas e eu estamos procurando novas maneiras de usar a IA para ajudar oftalmologistas e optometristas a utilizar ainda mais as imagens dos olhos, e potencialmente ajudar a acelerar o processo de detecção de glaucoma em imagens. Em um artigo recente, detalhamos uma nova estrutura de aprendizado profundo que detecta glaucoma diretamente a partir de imagens de tomografia de coerência óptica (OCT), um método que usa ondas de luz para tirar fotos transversais da retina. Este método atingiu uma taxa de precisão de 94 por cento, sem qualquer segmentação adicional ou limpeza dos dados, o que geralmente é demorado.

Atualmente, glaucoma é diagnosticado usando uma variedade de testes, como medições de pressão intraocular e testes de campo visual, bem como imagens de fundo e OCT. OCT fornece uma maneira eficiente de visualizar e quantificar estruturas no olho, ou seja, a camada de fibra nervosa da retina (RNFL), que muda com a progressão da doença.

Embora essa abordagem funcione bem, requer um processo adicional para quantificar a RNFL em imagens de OCT. Essas técnicas também costumam limpar os dados de entrada de várias maneiras, como virar todos os olhos na mesma orientação (esquerda ou direita) para reduzir a variabilidade nos dados e melhorar o desempenho dos classificadores. Nossa abordagem remove essas etapas adicionais, indicando que esses estágios potencialmente demorados não são necessários para a detecção de glaucoma.

Em última análise, quando normalizado por uma taxa de falso positivo, em uma coorte de 624 indivíduos (217 saudáveis ​​e 432 pacientes com glaucoma), nossa nova abordagem, fundado na aprendizagem profunda, detecta corretamente olhos glaucomatosos em 94 por cento dos casos, enquanto as técnicas mencionadas anteriormente só encontraram isso em 86 por cento dos casos. Acreditamos que essa maior precisão seja resultado da eliminação de erros na segmentação automatizada de estruturas em imagens, bem como da inclusão de regiões da imagem que atualmente não são utilizadas clinicamente para esse fim.

Adicionalmente, ao contrário da tendência atual na pesquisa de IA que usa redes maiores e mais profundas, a rede que usamos era uma pequena rede de 5 camadas porque os dados médicos não são tão facilmente acessíveis devido à sua natureza confidencial. Essa escassez de dados torna o uso de grandes redes impraticável em muitas aplicações médicas. Mesmo na pesquisa, às vezes vemos que "menos é mais, "e o treinamento desses algoritmos em redes menores permite que funcionem com maior eficiência.

Esta é apenas uma faceta de nossa pesquisa na aplicação de IA para os olhos. Em uma nova colaboração anunciada recentemente, A IBM Research e George &Matilda (G&M) alavancarão o robusto conjunto de dados da G&M de dados clínicos anônimos e estudos de imagem para explorar métodos de uso de modelos de aprendizagem profunda e análise de imagem para apoiar os médicos na identificação e detecção de doenças oculares - incluindo glaucoma - em imagens . Os pesquisadores também procurarão investigar os potenciais biomarcadores do glaucoma, o que poderia ajudar a compreender melhor a progressão da doença.

Esta história foi republicada por cortesia da IBM Research. Leia a história original aqui.