Técnicas de IA para Detecção Precoce de Ceratocone

Keratocone é uma doença ocular onde a córnea, que é a parte transparente da frente do olho, fica mais fina e forma um formato de cone. Essa condição geralmente afeta os dois olhos e pode variar em gravidade. Acontece igualmente em homens e mulheres e afeta cerca de 1 em cada 2000 pessoas na população geral.

#Técnicas de Imagem da Córnea

Pra diagnosticar e estudar o ceratocone, os profissionais de saúde ocular usam diferentes técnicas de imagem. Os dois tipos principais de imagem corneana são topografia e tomografia.

• Topografia Corneana mostra a forma da superfície frontal da córnea.
• Tomografia Corneana, por outro lado, oferece uma visão tridimensional de toda a córnea.

Um tipo específico de tomografia é a Tomografia de Coerência Óptica (OCT). Essa técnica analisa o tempo que a luz infravermelha leva pra voltar da parte frontal do olho. Existem dois tipos de OCT:

1. Domínio de Fourier, que usa um espelho estacionário.
2. Domínio de tempo, que move um espelho durante o processo.

Outro método chamado de imagem Scheimpflug usa uma câmera girante pra tirar fotos transversais da córnea.

#Papel da Inteligência Artificial na Oftalmologia

Inteligência Artificial (IA) se refere a sistemas de computador que podem realizar tarefas que normalmente requerem inteligência humana, como escrever, falar e perceber imagens. Na medicina, a IA pode ser especialmente útil na análise de imagens médicas, como as usadas em cuidados oculares.

O aprendizado de máquina, que é uma parte da IA, permite que os computadores aprendam e melhorem com o tempo. Uma versão mais avançada, chamada aprendizado profundo, se destaca em reconhecer padrões em imagens e sons.

Neste estudo, redes neurais- um tipo de aprendizado de máquina- foram usadas pra prever o Índice de Gravidade de Ectasia (ESI) a partir de escaneamentos da córnea. A saída dessas redes é um número que indica quão grave a condição é. As imagens foram classificadas em dois grupos: aquelas com ceratocone e aquelas sem sinais de ceratocone. Esse método permite comparar a gravidade do ceratocone entre diferentes escaneamentos, em vez de simplesmente classificá-los em categorias.

#Processamento de Dados: Cru vs. Pré-processado

Os dados podem ser usados de duas formas: pré-processados ou crus.

• Dados Pré-processados são modificados por software, mas as mudanças feitas nem sempre são claras. Alterações no software podem causar resultados diferentes.
• Dados Crus permanecem inalterados, oferecendo estabilidade na análise e no treinamento do modelo.

Usar dados crus de escaneamentos OCT pra prever o ESI é uma nova abordagem no diagnóstico de ceratocone.

#Abordagens Atuais no Diagnóstico de Ceratocone

Vários modelos baseados em redes neurais foram usados pra diagnosticar ceratocone:

1. Modelo CorNet: Utilizou um conjunto de dados de 1786 escaneamentos de um dispositivo chamado Corvis ST, que registra o comportamento da córnea. Esse modelo alcançou alta precisão no diagnóstico.

2. Modelo KerNet: Usou dados crus do sistema Pentacam HR. Esse modelo trabalhou com cinco matrizes numéricas representando vários parâmetros oculares e obteve taxas de precisão impressionantes.

3. Redes Neurais Convolucionais (CNNs): Esse modelo visa reconhecer padrões em imagens. Pesquisadores usaram dados do sistema de imagem OCT SS-1000 Casia pra desenvolver um plano de uso de CNNs no diagnóstico.

4. Modelo CorNeXt: Outro modelo CNN focado em identificar anormalidades na córnea. Usou mapas de topografia do dispositivo Casia2 e alcançou alta sensibilidade e especificidade nas suas previsões.

#Redes Neurais Convolucionais Explicadas

As redes neurais artificiais são feitas pra imitar como o cérebro humano funciona. Elas consistem em nós que recebem e processam entradas e chegam a um resultado. Cada conexão entre os nós tem um peso que se ajusta durante o treinamento, permitindo que a rede aprenda e melhore sua precisão.

As Redes Neurais Convolucionais (CNNs) são um tipo especial de rede neural focada em processar dados de imagem. As CNNs usam "kernels" pra detectar características em imagens, ajudando a identificar objetos ou padrões.

#Métricas de Avaliação para Diagnóstico

Neste estudo, várias métricas foram usadas pra avaliar quão bem os modelos classificaram os dados:

• Precisão: A proporção de amostras corretamente classificadas.
• Sensibilidade: A taxa de amostras positivas identificadas corretamente.
• Especificidade: A taxa de sucesso em identificar amostras negativas.
• Valor Preditivo Positivo (PPV): A precisão das previsões positivas.
• F1 Score: Um equilíbrio entre sensibilidade e especificidade, particularmente útil em casos onde uma classe é significativamente maior que a outra.

Essas métricas ajudam a avaliar quão eficazmente os modelos distinguem entre casos de ceratocone e não ceratocone.

#Coleta e Processamento de Dados

Os dados foram coletados de pacientes em uma clínica ocular ao longo de dois anos. Os escaneamentos foram anonimizados e usados sem necessidade de aprovação ética especial. Um dispositivo específico chamado OCT de Córnea/Ssegmento Anterior Casia2 foi usado pra reunir os dados. Esse dispositivo mede vários parâmetros oculares e fornece dados crus pra análise.

Imagens foram extraídas dos dados crus, redimensionadas e pré-processadas pra focar nas áreas relevantes do olho.

#Testando Diferentes Modelos de Redes Neurais

Três arquiteturas de modelos de aprendizado profundo foram selecionadas pra este estudo:

1. ResNet18: Um modelo que usa conexões de atalho que permitem acesso fácil às saídas de camadas anteriores.
2. DenseNet121: Um modelo que conecta todas as camadas diretamente, permitindo o compartilhamento de características entre as camadas.
3. EfficientNetB0: Esse modelo escala uniformemente a profundidade, largura e resolução da rede.

Cada modelo foi treinado do zero usando software Python, focando em prever o ESI a partir das imagens processadas.

#Resultados do Estudo

Os resultados mostraram que o modelo EfficientNetB0 teve o melhor desempenho na previsão dos valores de ESI. A maioria das previsões dos modelos estava próxima dos valores reais de ESI, indicando alta precisão em geral. O estudo notou que o EfficientNetB0 teve o maior número de previsões com erros menores.

Comparado a outros modelos, o EfficientNetB0 alcançou taxas de precisão e F1 score mais altas na distinção entre casos de ceratocone e não ceratocone. Isso indica seu forte potencial pra melhorar a precisão das avaliações oculares.

#Direções Futuras

Pesquisas futuras podem explorar outros modelos de aprendizado profundo pra continuar melhorando o desempenho no diagnóstico de ceratocone. Novas arquiteturas poderiam levar a resultados ainda melhores na identificação e avaliação dessa condição ocular.

Em resumo, este estudo destaca a eficácia do uso de dados crus de OCT pra prever o ESI e mostra que o EfficientNetB0 adaptado superou outros modelos no diagnóstico de ceratocone. Isso sugere que a IA pode melhorar significativamente como os profissionais de saúde ocular avaliam e diagnosticam doenças oculares.