Keratoconus severity detection using LSTM and machine learning techniques
Questo studio impiega due modelli di apprendimento automatico basati su Long Short-Term Memory (LSTM) per rilevare la gravità del cheratocono analizzando i parametri oculari dei pazienti da immagini OCT, monitorando efficacemente la progressione della malattia considerando sia i dati oculari unilaterali che quelli bilaterali.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
L'occhio umano si affida a una finestra anteriore limpida e a forma di cupola chiamata cornea per focalizzare la luce e creare immagini nitide. Quando questa finestra è sana, mantiene una curva regolare e liscia. Tuttavia, una condizione nota come cheratocono causa l'assottigliamento della cornea e il suo rigonfiamento verso l'esterno in una forma a cono, molto simile a un palloncino che viene spinto dallano interno. Questa distorsione disperde la luce, portando a una visione sfocata, riflessi e difficoltà nella visione, spesso iniziando nel decennio tra i dieci e i venti anni di una persona. Sebbene la malattia possa essere gestita con occhiali o lenti a contatto nelle prime fasi, può progredire fino a un punto in cui sono necessari trattamenti più invasivi. La sfida per i medici è che la malattia spesso inizia in modo sottile, con cambiamenti così lievi da essere difficili da individuare con gli esami standard, eppure coglierla precocemente è vitale per preservare la vista.
Per affrontare questo problema, i ricercatori si sono rivolti a uno strumento di imaging potente chiamato tomografia a coerenza ottica, che agisce come un'ecografia ad alta risoluzione per l'occhio, creando mappe tridimensionali dettagliate della superficie e dello spessore della cornea. Analizzando queste mappe nel tempo, i medici possono monitorare come la cornea cambia. Un nuovo studio ha portato questo concetto un passo avanti, insegnando a un computer a riconoscere i modelli di questa progressione. I ricercatori hanno utilizzato un tipo di intelligenza artificiale nota come rete long short-term memory, un sistema progettato per imparare dalle sequenze di eventi, in modo simile a come una persona potrebbe ricordare una storia ricordando l'ordine in cui sono accaduti gli eventi. Inve al di guardare un singolo scatto dell'occhio, il computer è stato addestrato a esaminare la storia degli scansioni oculari di un paziente, imparando a prevedere quanto sia grave la condizione basandosi sulla cronologia delle misurazioni.
Lo studio si è concentrato su una vasta collezione di dati contenente migliaia di scansioni oculari di pazienti in Giappone. Queste scansioni includevano centinaia di misurazioni diverse, come la curvatura della parte anteriore e posteriore della cornea e lo spessore dei suoi vari strati. I ricercatori hanno organizzato questi dati in due approcci distinti per vedere quale metodo funzionasse meglio. Il primo approccio trattava ogni occhio come una storia separata, fornendo al computer la storia di un occhio alla volta per prevederne la gravità. Il secondo approccio era più completo; guardava entrambi gli occhi dello stesso paziente simultaneamente, riconoscendo che, sebbene la malattia possa colpire ogni occhio in modo diverso, i due sono spesso collegati nel loro modo di progredire. Al computer è stato chiesto di classificare gli occhi in tre categorie: sani, una fase lieve o iniziale della malattia dove i sintomi sono appena percepibili, e una fase più avanzata dove la forma a cono è chiaramente stabilita.
I risultati hanno mostrato che il computer è diventato molto abile in questo compito. Guardando i singoli occhi, il sistema ha identificato correttamente gli occhi sani e i casi avanzati con una precisione quasi perfetta, distinguendoli l'uno dall'altro quasi senza errori. È stato leggermente più difficile per il computer identificare la fase lieve, iniziale della malattia, che è spesso la più difficile da individuare per i medici umani, ma ha comunque dato la risposta corretta nella stragrande maggioranza dei casi. Quando i ricercatori hanno permesso al computer di guardare insieme entrambi gli occhi di un paziente, l'accuratezza è rimasta molto alta, suggerendo che considerare la relazione tra i due occhi fornisce indizi preziosi. Il sistema è stato in grado di prevedere il punteggio di gravità della malattia con un alto grado di precisione, corrispondendo alle reali valutazioni mediche nella maggior parte dei casi.
Questo lavoro dimostra che l'intelligenza artificiale può agire efficacemente come un secondo paio di occhi per i medici, aiutando a monitorare i cambiamenti lenti e spesso invisibili del cheratocono nel tempo. Imparando dalla sequenza delle scansioni passate, il computer può individuare tendenze che potrebbero sfuggire in un singolo esame. Lo studio ha scoperto che guardare entrambi gli occhi insieme può rivelare schemi nascosti in come la malattia si muove attraverso il corpo di una persona, offrendo un quadro più completo rispetto al guardare un solo occhio in isolamento. Sebbene questa tecnologia non sia ancora un sostituto del giudizio di un medico, offre uno strumento promettente per cogliere la malattia prima e monitorare il suo progresso in modo più affidabile, permettendo potenzialmente decisioni terapeutiche migliori prima che la vista venga significativamente danneggiata. I ricercatori hanno osservato che il lavoro futuro dovrà testare questi metodi su dati provenienti da diversi ospedali e popolazioni per garantire che il sistema funzioni per tutti, ma i risultati iniziali suggeriscono un nuovo e potente modo per proteggere la vista.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.