Identifying Intraoperative Floppy Iris Syndrome (IFIS) Using AI

Sintesi Tecnica: Identificazione della Sindrome dell'Iride Flaccida Intraoperatoria (IFIS) tramite IA

Problematica
La sindrome dell'iride flaccida intraoperatoria (IFIS) è una condizione caratterizzata da una scarsa dilatazione pupillare e da un'iride elastica che resiste allo stiramento meccanico durante la chirurgia della cataratta. Essa aumenta significativamente il rischio di complicazioni intraoperatorie, tra cui lesioni delliche, dehiscenza della ferita, rottura della capsula posteriore e perdita del vitreo, che possono portare a un deficit visivo a lungo termine. Attualmente, la previsione preoperatoria dell'IFIS si basa principalmente su fattori di rischio clinici, in particolare l'uso di farmaci alfa-1-antagonisti. Tuttavia, una parte significativa dei casi di IFIS si verifica in pazienti senza una storia di uso di tali farmaci, e la valutazione clinica da sola può non rilevare indicatori anatomici sottili. Lo studio mira a valutare se gli algoritmi di Intelligenza Artificiale (IA) possano utilizzare le normali immagini del segmento anteriore preoperatorie per identificare i pazienti a rischio di IFIS in modo più efficace rispetto ai metodi attuali.

Metodologia
Lo studio ha utilizzato una coorte retrospettiva di 2.220 pazienti (3.239 occhi) sottoposti a chirurgia della cataratta presso il Centro Medico Rabin tra aprile 2016 e novembre 2022. Il dataset è stato suddiviso in set di addestramento (60%), validazione (20%) e test (20%), garantendo che le immagini dello stesso ID paziente non apparissero in set diversi per prevenire la fuga di dati (data leakage).

• Acquisizione dei Dati: Le immagini preoperatorie sono state acquisite utilizzando il biometro ottico Tomey OA-2000, che cattura sia immagini a infrarossi (IR) che immagini a tomografia a coerenza ottica a sorgente a scansione (SS-OCT). La diagnosi di IFIS è stata confermata in base al rapporto chirurgico in cui il chirurgo operatore ha esplicitamente annotato la presenza della sindrome.
• Elaborazione delle Immagini: Le immagini a infrarossi (originariamente in scala di grigi 360×330) sono state ridimensionate a 224×224 pixel, centrate sulla pupilla e convertite in tensori RGB. Sono state applicate tecniche di data augmentation, inclusi flip orizzontali/verticali e "Pizza-Slicing" (taglio delle immagini in 4 o 8 fette), al set di addestramento per affrontare lo sbilanciamento delle classi.
• Architetture dei Modelli:
  • Classificazione a Infrarossi: Sono state valutate quattro architetture di Reti Neurali Convoluzionali (CNN): ConvNeXt-large-224, ResNet-50, EfficientNet-b7 e MobileNet. Tutte sono state pre-addestrate su ImageNet-1K e perfezionate (fine-tuned) per 20 epoche.
  • Classificazione OCT: Un modello ResNet-50 è stato addestrato su immagini del segmento anteriore OCT.
  • Rilevamento delle Anomalie: È stato impiegato un modello EfficientAd (architettura student-teacher) per rilevare l'IFIS come anomalia all'interno del dataset.
  • Strategia di Ensemble: Per le immagini OCT, è stato applicato il voto di maggioranza tra le molteplici immagini dello stesso occhio per determinare la classificazione finale.
• Baseline Umana: Due esperti chirurghi della cataratta, in cieco rispetto a tutti i dati clinici, hanno valutato manualmente un sottogruppo di 100 immagini a infrarossi per stabilire una baseline delle prestazioni umane.
• Analisi Statistica: Le prestazioni sono state valutate utilizzando l'Area Sotto la Curva della Caratteristica di Ricevitore della Caratteristica Operativa (AUC), sensibilità, specificità e accuratezza. È stata inoltre eseguita una regressione logistica multivariata per correlare le variabili cliniche (es. uso di alfa-1-antagonisti, dimensione della pupilla, profondità della camera anteriore) con l'insorgenza di IFIS.

Risultati Chiave

• Dati Demografici Clinici: La coorte includeva 243 occhi (7,5%) con IFIS confermata. Sono state riscontrate differenze significative tra i gruppi IFIS e non-IFIS riguardo all'età (più alta nel gruppo IFIS), uso di alfa-1-antagonisti (14,3% vs 4,7%), profondità della camera anteriore (più superficiale nel gruppo IFIS), spessore del cristallino (più ampio nel gruppo IFIS) e dimensione della pupilla (più piccola nel gruppo IFIS).
• Regressione Logistica Multivariata: Un modello basato sulle variabili cliniche ha raggiunto un'AUC di 70%. I principali predittori includevano l'uso di alfa-1-antagonisti (OR 1,14), il genere e la dimensione della pupilla.
• Grader Umani: I due chirurghi umani hanno ottenuto AUC rispettivamente del 55% e del 49% valutando solo le immagini a infrarossi, indicando una capacità limitata di prevedere visivamente l'IFIS senza dati aggiuntivi.
• Prestazioni dei Modelli IA:
  • Classificazione a Infrarossi: Il modello ConvNeXt-large-224 ha ottenuto la migliore prestazione tra le CNN con un'AUC di 65,5%. Altri modelli (EfficientNet-b7, MobileNet, ResNet-50) hanno ottenuto prestazioni inferiori, con AUC comprese tra il 39,8% e il 54,6%. I modelli hanno avuto difficoltà con lo sbilanciamento delle classi, mostrando un basso recall binario (es. 4,26% per ConvNeX) nonostante l'alto weighted recall.
  • Classificazione OCT: Il modello ResNet-50 sulle immagini OCT ha raggiunto un'AUC del 57,8% sulle singole immagini, che è migliorata al 61,7% applicando il voto di maggioranza.
  • Rilevamento delle Anomalie: Il modello EfficientAd ha raggiunto un'AUC del 53,3% (53,5% nella sezione risultati), con un recall perfetto (100%) ma bassa precisione (26,8%) e accuratezza (26,9%).

Contributi Chiave e Significato
Lo studio dimostra che gli algoritmi di IA possono assistere gli oftalmologi nell'identificare i pazienti a rischio di IFIS utilizzando le normali immagini preoperatorie, potenzialmente superando gli esperti chirurghi quando questi si affidano esclusivamente all'analisi delle immagini. Nello specifico:

1. Superiorità alla Valutazione Visiva Umana: Il miglior modello IA (ConvNeXt-large-224) ha raggiunto un'AUC di 65,5%, superando le prestazioni dei grader umani (49–55%) nella previsione dell'IFIS basandosi solo sulle immagini a infrarossi.
2. Integrazione delle Modalità di Imaging: La ricerca valida l'utilità sia delle immagini a infrarossi che delle immagini OCT per questo compito, con la regressione logistica multivariata (dati clinici) che ha raggiunto l'AUC più elevata (70%), suggerendo che l'analisi delle immagini tramite IA integri piuttosto che sostituisca la valutazione dei fattori di rischio clinici.
3. Gestione dello Sbilanciamento delle Classi: Lo studio evidenzia la difficoltà di rilevare l'IFIS a causa della sua bassa prevalenza (~7,5%) e del conseguente sbilanciamento delle classi, che impatta pesantemente sulla precisione e sul recall dei modelli. Gli autori osservano che, sebbene il rilevamento delle anomalie abbia offerto un sensitivity perfetto, esso richiede un'ulteriore ottimizzazione per bilanciare la precisione.

Limitazioni e Direzioni Future
Gli autori riconoscono diverse limitazioni, tra cui il dataset sbilanciato, la variabilità nella segnalazione della gravità dell'IFIS da parte dei chirurghi e l'uso di immagini a infrarossi in scala di grigi che mancano di informazioni sul colore (come il colore dell'iride, precedentemente collegato al rischio di IFIS). L'articolo conclude che, sebbene l'IA sia promettente, sono necessarie ulteriori ricerche su altre modalità di imaging e un'ottimizzazione dei modelli per migliorare l'accuratezza della previsione e la generalizzazione prima dell'implementazione clinica. Lo studio non afferma che l'IA possa attualmente sostituire il giudizio clinico, ma serve piuttosto come potenziale strumento complementare per una pianificazione chirurgica più sicura.