Nature Biomedical Engineering
Razionale: Gli attuali motori di calcolo del rischio cardiovascolare richiedono variabili spesso non prontamente disponibili, in quanto necessitano di prelievi di sangue o altre manovre. Questo lavoro ha voluto verificare se le caratteristiche anatomiche della retina (calibro, biforcazioni, tortuosità e dimensioni frattali dei vasi, presenza di lesioni microangiopatiche) possano fornire informazioni utili al calcolo del rischio. Poiché il numero di variabili legate a pattern, colori, forme e valori rende oltremodo difficile l’elaborazione quantitativa delle immagini mediche, è stato sperimentato un sistema di intelligenza artificiale per estrarre dalle retinografie informazioni altrimenti non evidenti alla semplice osservazione.
Obiettivo: Verificare se attraverso algoritmi di deep learning basati su reti neurali sia possibile estrarre dalle immagini della retina informazioni applicabili al calcolo del rischio cardiovascolare nei singoli pazienti.
Metodi: Il modello è stato costruito sui dati di 284.335 pazienti [48,101 dalla UK Biobank (http://www.ukbiobank.ac.uk/about-biobank-uk) e 236,234 da EyePACS (http://www.eyepacs.org), un sistema di telescreening esteso a circa 300 centri diabetologici negli US]. Il sistema è stato poi validato su due dataset indipendenti, 12.026 pazienti di UK Biobank e 999 di EyePacs. I pazienti, quelli di UK Biobank non tutti diabetici, erano prevalentemente caucasici o ispanici, di età media fra 53 e 57 anni, maschi in circa il 40% dei casi, BMI 27,3, mediamente normotesi, fumatori in meno del 10% dei casi.
Risultati: Il sistema è stato in grado di predire l’età dei pazienti (errore minimo assoluto 3,26 anni, IC95% 3,22-3,31) con una correlazione lineare rispetto all’effettiva età anagrafica, il sesso (curve ROC; AUC = 0.97), l’abitudine al fumo (AUC = 0.71) e, con meno efficacia, la pressione sistolica (errore minimo assoluto 11,23 mmHg). Infine, il punteggio costruito sui dati estratti dalle immagini della retina ed i punteggi SCORE tradizionali hanno dimostrato performance simili nel predire l’effettiva incidenza di eventi cardiovascolari MACE registrati nella casistica della UK Biobank nei 5 anni successivi alla raccolta delle retinografie: AUC = 0,70 (IC95%: 0.648-0.740)per le immagini retiniche e 0.72 (IC95%: 0.67-0.76)per SCORE.
Conclusioni: I risultati indicano che sistemi di intelligenza artificiale capaci di predire il rischio cardiovascolare possono essere basati sulla geometria dei vasi della retina, in assenza di altri indicatori clinici e bioumorali, con un’attendibilità almeno simile a quella dei motori di rischio attualmente in uso.
Commento editoriale: L’idea che si possa valutare il rischio cardiovascolare attraverso una semplice retinografia, magari non raccolta in midriasi, evoca scenari da Star Trek. I limiti del lavoro (solo immagini di 45° del fundus, incompletezza dei dati clinico-anamnestici disponibili con particolare riferimento all’assetto lipidico) sono in fondo anche un punto di forza: se il modello ha la stessa performance di SCORE, è verosimile che l’aggiunta di quei dati ne possa ulteriormente aumentare la potenza. Un punto interessante del deep learning è che non si sa veramente come apprendano le reti neurali: è solo possibile interpretare dall’analisi retrospettiva dei percorsi di calcolo quali particolari strutture e caratteristiche del fundus siano state valutate dall’algoritmo. Gli Autori riferiscono che il sistema analizzava i vasi per la predizione di età, fumo e pressione, la papilla ottica i vasi e la macula per il sesso, mentre altri segnali appaiono più uniformemente distribuiti su tutta la retina. La diffusione dell’informatica sembra assorbire progressivamente l’intelligenza dagli esseri umani per trasferirla alle macchine, amplificandola. Le prospettive sono affascinanti, seppur inquietanti!
A cura di Massimo Porta per il Gruppo di Studio Complicanze Oculari del Diabete
Poplin R, Varadarajan AV, Blumer K, Liu Y, McConnell MV, Corrado GS, Peng L, Webster DR. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nature Biomedical Engineering 2018; 158: 158–164
