L'occhio umano è una finestra sul corpo, ma guardare attraverso di esso richiede una mano ferma e un occhio allenato. Per decenni, i medici si sono affidati a una tecnologia di scansione chiamata tomografia a coerenza ottica, o OCT, per scrutare l'interno della retina, lo strato fotosensibile situato nella parte posteriore dell'occhio. Questa macchina scatta migliaia di immagini trasversali, sovrapponendole per creare una mappa tridimensionale dettagliata della struttura interna dell'occhio. Ha rivoluzionato il modo in cui i medici individuano malattie come la retinopatia diabetica o la degenerazione maculare, permettendo loro di vedere i problemi molto prima che un paziente perda la vista. Eppure, nonostante la capacità della macchina di catturare questi ricchi dati, il processo di trasformazione di tali immagini in una diagnosi rimane un compito lento e manuale. Uno specialista deve prima verificare se la scansione sia abbastanza nitida da poter essere utilizzata, poi setacciare centinaia di singole sezioni per trovare quelle che mostrano segni di problemi e, infine, ricomporre quei frammenti per formare un quadro completo della salute del paziente. Questo flusso di lavoro laborioso crea un collo di bottiglia, rendendo difficile sottoporre a screening grandi popolazioni o fornire cure consistenti in luoghi in cui gli esperti medici sono scarsi.

I ricercatori hanno cercato a lungo di costruire un'intelligenza artificiale per aiutare in questo compito, ma la maggior parte dei tentativi precedenti è stata simile a un team di specialisti che sanno fare solo un piccolo lavoro. Un programma informatico potrebbe essere bravo nel rilevare immagini sfocate, mentre un altro eccelle nell'identificare una malattia specifica in una singola sezione della scansione. Nessuno di questi sistemi era in grado di gestire l'intero percorso, dall'immagine grezza alla diagnosi finale, in autonomia. Spesso faticavano di fronte al fatto che le malattie oculari siano tridimensionali, nascoste nello spazio tra le sezioni, e vacillavano quando si trovavano di fronte alla realtà disordinata e varia dei dati ospedalieri del mondo reale. Un nuovo studio introduce un sistema progettato per cambiare le cose automatizzando l'intero processo, imitando il modo in cui un esperto umano ragiona su un caso dall'inizio alla fine.

Il team dietro questo lavoro, guidato da ricercatori di diversi importanti centri medici in Cina, ha sviluppato un sistema che chiamano FOCUS. Questo framework si basa su un modello di base, un tipo di intelligenza artificiale che è stata pre-addestrata su una vasta quantità di dati visivi generali, conferendole una comprensione ampia di forme e schemi prima ancora di vedere una scansione oculare. I ricercatori hanno perfezionato questo potente cervello per comprendere le immagini retiniche, ma la vera innovazione risiede nel modo in cui il sistema è organizzato. Invece di guardare solo una foto alla volta, FOCUS agisce come un flusso di lavoro completo. Per prima cosa, controlla automaticamente la qualità della scansione, decidendo se l'immagine è abbastanza nitida da essere affidabile. Se l'immagine è buona, passa alla fase successiva: scansionare l'intero volume dell'occhio per rilevare eventuali anomalie. Infine, sintetizza tutte le informazioni provenienti dalle migliaia di sezioni per formulare una diagnosi unica e completa per il paziente.

Per testare se questo approccio funzionasse, i ricercatori hanno addestrato il sistema su dati provenienti da 3.300 pazienti, una collezione massiccia di oltre 40.000 singole sezioni d'immagine. Hanno poi messo alla prova il sistema su un gruppo separato di 1.345 pazienti di quattro ospedali diversi, utilizzando diversi tipi di macchine OCT per garantire che potesse gestire la varietà del mondo reale. I risultati sono stati sorprendenti. Il sistema ha identificato correttamente le immagini di alta qualità quasi il 99% delle volte. Nel cercare segni di malattia, ha colto le anomalie con un'accuratezza superiore al 97%. Soprattutto, quando si è trattato di formulare una diagnosi finale per il paziente, ha raggiunto un'accuratezza di quasi il 94%. Questi numeri si sono mantenuti anche quando il sistema è stato testato su dati provenienti da città e ospedali diversi, dimostrando di poter si adattare a nuovi ambienti senza dover essere riaddestrato da zero.

I ricercatori hanno anche confrontato le prestazioni della loro IA con quelle dei medici per vedere come si sarebbero confrontati. Nei test riguardanti il rilevamento di anomalie, il sistema è stato efficace quanto, e in alcuni casi migliore di, un gruppo di esperti tecnici oculistici. Quando si è trattato di diagnosticare malattie specifiche, il sistema ha eguagliato le prestazioni di un panel di nove clinici con diversi livelli di esperienza. Infatti, l'IA è stata più costante degli esseri umani. Lo studio ha rilevato che persino i medici esperti a volte faticavano a distinguere tra certe condizioni guardando solo le immagini OCT, spesso necessitando di altri test o della storia del paziente per esserne sicuri. L'IA, tuttavia, è stata in grado di individuare sottili differenze strutturali attraverso l'intero volume 3D dell'occhio che gli umani potrebbero perdere, portando a decisioni più uniformi.

Una parte fondamentale del successo di questo sistema è il modo in cui gestisce la natura tridimensionale dell'occhio. Gli strumenti di IA precedenti spesso trattavano ogni sezione della scansione come un evento isolato, perdendo il contesto che le connette. FOCUS utilizza un metodo che permette di pesare dinamicamente l'importanza di ogni sezione. Impara a concentrarsi sulle sezioni specifiche che contengono le prove più forti della malattia, ignorando quelle che sono ambigue o irrilevanti. Questo è simile al modo in cui un esperto umano potrebbe scorrere una pila di documenti, dando un'occhiata veloce a quelli noiosi e fermandosi a leggere attentamente solo le pagine che contengono le informazioni critiche. Aggregando questi risultati in modo intelligente, il sistema costruisce una diagnosi affidabile senza dover elaborare l'intero volume 3D in modo computazionalmente costoso.

Lo studio riconosce che, sebbene i risultati siano promettenti, il sistema non è ancora un prodotto finito pronto per ogni clinica. I dati utilizzati per addestrare e testare il sistema provengono principalmente da centri medici in Cina, il che significa che il sistema potrebbe aver bisogno di ulteriori validazioni per garantire che funzioni ugualmente bene per persone di diverse estrazioni etniche o in diversi sistemi sanitari. Inoltre, i test sono stati esegtti su dati raccolti da ospedali in cui i pazienti presentavano già problemi oculari, un scenario diverso rispetto allo screening di una popolazione sana generale dove le malattie sono più rare. I ricercatori sottolineano anche che l'attuale versione del sistema non include ancora la capacità di generare rapporti scritti o di conversare con un medico, caratteristiche che le versioni future potrebbero aggiungere utilizzando strumenti linguistici avanzati.

Nonostante queste limitazioni, il lavoro rappresenta un passo avanti significativo nel campo dell'imaging medico. Si sposta dall'era degli strumenti isolati che eseguono singoli compiti e dimostra che un sistema unificato può automatizzare un complesso flusso di lavoro clinico a più fasi. Collegando con successo i dati grezzi dell'immagine a una diagnosi finale del paziente, i ricercatori hanno dimostrato che è possibile costruire un'IA che rispecchia il ragionamento di uno specialista umano. Questo approccio offre un modello per un futuro in cui cure oculari di alta qualità possano essere erogate in modo più efficiente e costante, portando potenzialmente lo screening di livello esperto nelle comunità che attualmente mancano di accesso a medici specializzati. Il sistema non sostituisce il medico, ma piuttosto rimuove le barriere tedious e ripetitive che impediscono allo screening su larga scala di diventare una realtà, aprendo la strada a una nuova era di salute oculare automatizzata e accessibile.