JAMA

Background: Uno dei maggiori ostacoli alla diffusione su ampia scala dei programmi di screening fotografico della retinopatia diabetica a rischio, quella sufficientemente grave da richiedere una consulenza oftalmologica nel breve periodo, è rappresentato dall’alto numero di pazienti e dalla conseguente quantità di immagini che devono essere valutate e refertate. Su questo fronte, si stanno compiendo molti studi per sviluppare metodiche di riconoscimento automatico delle lesioni retiniche, che possano assistere i refertatori.
Il “deep learning” è un gruppo di metodiche di data processing che, sotto il nome generico di intelligenza artificiale, permettono ad un algoritmo di autoprogrammarsi “imparando” progressivamente da una base molto ampia di esempi che dimostrano quali siano le risposte desiderate. Un vantaggio di questo approccio è che non è necessario esplicitare regole specifiche a priori e una possibile applicazione in campo medico è nell’interpretazione della diagnostica per immagini.
Obiettivo: È stato sperimentato un approccio deep learning per realizzare un algoritmo capace di identificare, all’analisi di fotografie del fundus oculi, la presenza di retinopatia diabetica di gravità moderata - severa, secondo la International Clinical Diabetic Retinopathy Scale, e di edema maculare diabetico da inviare a consulenza. In particolare, si è voluta confrontare la performance dell’algoritmo con quella della stadiazione manuale da parte di oftalmologi esperti.
Metodi: L’algoritmo, basato sulla rete neurale Inception-v3, è stato “addestrato” su un database di 128.175 retinografie, raccolte in programmi di screening in USA e in India e valutate da 54 oculisti esperti. La validazione dell’algoritmo è stata invece condotta su due ulteriori serie di 9963 e 1748 immagini registrate negli Stati Uniti (EyePacs) e in Francia (Messidor-2), quest’ultima pubblicamente disponibile sul web. Anche per queste immagini la refertazione di riferimento è stata fatta da 7 oculisti esperti e certificati in USA. Sono state valutate sensibilità e specificità dell’algoritmo nell’identificare retinopatia da inviare a consulenza ed edema maculare, definito come essudati duri entro un diametro papillare dal centro della fovea. Sono stati selezionati due valori soglia, uno ad alta specificità e uno ad alta sensibilità.
Risultati: L’algoritmo ha dimostrato aree sotto la curva ROC di 0.991 (95% CI 0.988-0.993) per la serie EyePACS-1 e di 0.990 (95%CI, 0.986-0.995) per Messidor-2. Alla soglia ad alta specificità (98,1% e 98.5%, nelle due serie di validazione) l’algoritmo manteneva una sensibilità di 90.3% e 87.0%. Selezionando la soglia di alta sensibilità (97.5% e 96.1%) l’algoritmo manteneva specificità di 93.4% e 93.9%.
Conclusioni: I risultati dimostrano che è possibile sviluppare algoritmi basati su intelligenza artificiale con altissimi livelli di sensibilità e specificità per la lettura automatizzata delle fotografie del fondo oculare.
Commento Editoriale: Si tratta di risultati estremamente interessanti, sia per la tecnologia “cutting edge” che per la potenzialità di processare quantità altissime di immagini con sensibilità e specificità addirittura maggiori di quelle raccomandate per i programmi di screening con lettura “manuale”, attualmente stabilite su 80-90%. Un possibile limite dello studio risiede nell’uso di valutatori umani come standard di riferimento, anche se proprio da questo deriva un risvolto affascinante: infatti l’algoritmo “impara” a valutare la gravità della retinopatia non dall’analisi predefinita a priori di singole lesioni ma dalla valutazione complessiva a posteriori di insiemi che i valutatori umani avevano considerato gravi. Di conseguenza, non sappiamo quali caratteristiche o considerazioni, anche subliminali, il sistema abbia imparato a tenere in conto nel suo processo di “apprendimento”, possibilmente sviluppando una sorta di “occhio clinico” artificiale. Rimane da confermare l’effettiva utilità ed applicabilità pratica di questi sistemi negli scenari clinici reali.

A cura di Massimo Porta

Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, Venugopalan S, Widner K, Madams T, Cuadros J, Kim R, Raman R, Nelson PC, Mega JL, Webster DR. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. doi:10.1001/jama.2016.17216. Published online November 29, 2016