Facial Photograph–Based Detection of Dermatochalasis and Assessment of Blepharoplasty Necessity: A Deep Learning–Assisted Approach

Per decenni, la decisione di eseguire un intervento chirurgico alla palpebra superiore si è basata pesantemente sull'occhio del medico e sulla descrizione dei sintomi da parte del paziente. La condizione in questione, nota come dermatocalasi, è il termine medico per l'eccesso di pelle cadente sulla palpebra superiore. Con l'invecchiamento, la pelle e i tessuti sottostanti intorno agli occhi perdono la loro elasticità, proprio come un elastico che è stato teso troppe volte. Questa pelle allentata può ricadere sulle ciglia, creando una sensazione di pesantezza, causando affaticamento visivo e, in alcuni casi, bloccando fisamente la parte superiore del campo visivo di una persona. Sebbene la soluzione sia una procedura chirurgica comune chiamata blefaroplastica, che rimuove la pelle in eccesso, determinare esattamente chi ne abbia bisogno è stato tradizionalmente un processo soggettivo. I medici misurano distanze specifiche sul viso e valutano la quantità di cedimento, ma queste misurazioni possono variare da uno specialista all'altro, e il confine tra "aver bisogno di un intervento" e "sembrare solo stanchi" è spesso una questione di giudizio personale piuttosto che di una regola ferrea.

In uno studio recente, i ricercatori si sono posti l'obiettivo di vedere se un computer potesse prendere questa decisione in modo più coerente. Hanno addestrato un tipo di intelligenza artificiale, nello specifico un sistema di deep learning, per analizzare fotografie standard del volto in posizione frontale. L'obiettivo era semplice: il computer poteva guardare una foto e distinguere tra un adulto con la pelle allentata che richiede un intervento e un adulto con palpebre normali e sane? I ricercatori hanno raccolto immagini da due fonti. Un gruppo consisteva in 190 pazienti che avevano visitato una clinica oculistica in Turchia ed erano già stati giudicati da un chirurgo come candidati per la procedura. L'altro gruppo consisteva in 190 adulti sani le cui foto erano state prese da una libreria di immagini stock pubblica, selezionate perché non mostravano segni di cedimento delle palpebre. Tutte le foto sono state scattate in condizioni simili, con i soggetti che guardavano dritto davanti a sé con un'espressione neutra, imitando il tipo di immagine che un medico potrebbe scattare durante una normale visita ambulatoriale.

Il team ha testato tre diversi modelli informatici, ciascuno progettato per riconoscere schemi nelle immagini. Questi modelli sono stati alimentati con le fotografie e gli è stato chiesto di dividerle in due pile: quelle che necessitano di un intervento e quelle che non ne hanno bisogno. I risultati sono stati sorprendentemente coerenti. In tutti i diversi modelli informatici testati, i sistemi hanno identificato correttamente i pazienti che necessitavano dell'intervento quasi ogni singola volta. Infatti, il computer non ha mancato nemmeno un paziente che richiedeva effettivamente la procedura, segnalando correttamente tutti i 190 casi. Ha anche identificato correttamente la stragrande maggioranza degli individui sani, riconoscendo che non avevano bisogno di un intervento in circa 98 casi su 100. Il computer non ha semplicemente tirato a indovinare; ha imparato a individuare i segni visivi specifici della pelle allentata che i medici umani cercano, farlo con un livello di precisione che eguaglia quello dei migliori esperti umani.

Uno dei risultati più importanti dello studio non è stato solo che il computer funzionasse, ma quanto fosse efficiente nel farlo. I ricercatori hanno confrontato tre diversi tipi di architetture informatiche, che sono essenzialmente i progetti su come la macchina elabora le informazioni. Hanno scoperto che tutti e tre i progetti svolgevano il compito con lo stesso alto livello di precisione. Tuttavia, non tutti impiegavano lo stesso tempo per farlo. Uno dei modelli, un design più leggero e semplice, ha completato il compito significativamente più velocemente degli altri. Questo è un dettaglio cruciale perché suggerisce che un tale sistema potrebbe eventualmente girare su uno smartphone o su un dispositivo portatile in uno studio medico, piuttosto che richiedere un enorme e costoso supercomputer. Lo studio ha dimostato che non è necessario il computer più complesso o potente per ottenere la risposta corretta; uno strumento più semplice e veloce può raggiungere lo stesso risultato.

I ricercatori sono stati attenti a sottolineare che, sebbene il computer fosse eccellente nel individuare i segni visivi della pelle allentata, non stava sostituendo il medico. Il sistema è stato addestrato per riconoscere la condizione in base a come i chirurghi umani avevano già etichettato i pazienti. Ha imparato a vedere ciò che vedevano gli esperti. Lo studio ha anche evidenziato che le foto utilizzate sono state scattate in un ambiente controllato, e il computer potrebbe comportarsi diversamente se le foto fossero state scattate con scarsa illuminazione o da un'angolazione insolita. Gli autori suggeriscono che questa tecnologia potrebbe servire come un utile secondo parere o uno strumento di screening per aiutare i medici a dare priorità ai pazienti che devono essere visitati per primi, ma non è ancora un decisore finale. Il lavoro dimostra che una macchina può imparare a leggere i segni sottili dell'invecchiamento della pelle intorno agli occhi da una semplice fotografia, offrendo un nuovo modo oggettivo per supportare il giudizio umano che ha guidato la chirurgia oculare per generazioni.