Identifying Intraoperative Floppy Iris Syndrome (IFIS) Using AI

Resumo Técnico: Identificação da Síndrome da Íris Flácida Intraoperatória (IFIS) via IA

Declaração do Problema
A Síndrome da Íris Flácida Intraoperatória (IFIS) é uma condição caracterizada pela má dilatação pupilar e uma íris elástica que resiste ao estiramento mecânico durante a cirurgia de catarata. Ela aumenta significamente o risco de complicações intraoperatórias, incluindo lesão da íris, dehiscência da ferida, ruptura da cápsula posterior e perda vítrea, que podem levar ao comprometimento visual a longo prazo. Atualmente, a predição pré-operatória de IFIS baseia-se primariamente em fatores de risco clínicos, notadamente o uso de medicamentos antagonistas alfa-1. No entanto, uma parte significativa dos casos de IFIS ocorre em pacientes sem histórico de uso de tais medicamentos, e a avaliação clínica isolada pode omitir indicadores anatômicos sutis. O estudo visa avaliar se algoritmos de Inteligência Artificial (IA) podem utilizar imagens de segmento anterior rotineiras pré-operatórias para identificar pacientes em risco de IFIS de forma mais eficaz do que os métodos atuais.

Metodologia
O estudo utilizou uma coorte retrospectiva de 2.220 pacientes (3.239 olhos) que foram submetidos à cirurgia de catarata no Centro Médico Rabin entre abril de 2016 e novembro de 2022. O conjunto de dados foi dividido em conjuntos de treinamento (60%), validação (20%) e teste (20%), garantindo que as imagens do mesmo ID de paciente não aparecessem em diferentes conjuntos para evitar vazamento de dados (data leakage).

• Aquisição de Dados: As imagens pré-operatórias foram adquiridas utilizando o biômetro óptico Tomey OA-2000, que captura tanto imagens infravermelhas (IR) quanto imagens de Tomografia de Coerência Óptica de fonte varrida (SS-OCT). O diagnóstico de IFIS foi confirmado com base no relatório cirúrgico, onde o cirurgião operante anotou explicitamente a presença da síndrome.
• Processamento de Imagem: As imagens infravermelhas (originalmente 360×330 em tons de cinza) foram redimensionadas para 224×224 pixels, centralizadas na pupila e convertidas em tensores RGB. Técnicas de aumento de dados, incluindo rotações horizontais/verticais e "Pizza-Slicing" (fatiamento das imagens em 4 ou 8 fatias), foram aplicadas ao conjunto de treinamento para lidar com o desequilíbrio de classes.
• Arquiteturas de Modelos:
  • Classificação de Infravermelho: Quatro arquiteturas de Redes Neurais Convolucionais (CNN) foram avaliadas: ConvNeXt-large-224, ResNet-50, EfficientNet-b7 e MobileNet. Todas foram pré-treinadas no ImageNet-1K e ajustadas (fine-tuned) por 20 épocas.
  • Classificação de OCT: Um modelo ResNet-50 foi treinado em imagens de OCT de segmento anterior.
  • Detecção de Anomalias: Um modelo EfficientAd (arquitetura aluno-professor) foi empregado para detectar a IFIS como uma anomalia dentro do conjunto de dados.
  • Estratégia de Ensemble: Para imagens de OCT, a votação majoritária foi aplicada em múltiplas imagens do mesmo olho para determinar a classificação final.
• Base Humana: Dois cirurgiões de catarata experientes, cegos para todos os dados clínicos, avaliaram manualmente um subconjunto de 100 imagens infravermelhas para estabelecer uma base de desempenho humano.
• Análise Estatística: O desempenho foi avaliado usando a Área Sob a Curva de Característica de Operação do Receptor (AUC), sensibilidade, especificidade e acurácia. A regressão logística multivariada também foi realizada para correlacionar variáveis clínicas (ex: uso de antagonista alfa-1, tamanho da pupila, profundidade da câmara anterior) com a ocorrência de IFIS.

Principais Resultados

• Demografia Clínica: A coorte incluiu 243 olhos (7,5%) com IFIS confirmada. Diferenças significativas foram encontradas entre os grupos IFIS e não-IFIS em relação à idade (maior no grupo IFIS), uso de antagonista alfa-1 (14,3% vs. 4,7%), profundidade da câmara anterior (mais rasa no grupo IFIS), espessura da lente (mais larga no grupo IFIS) e tamanho da pupila (menor no grupo IFIS).
• Regressão Logística Multivariada: Um modelo baseado em variáveis clínicas alcançou uma AUC de 70%. Os principais preditores incluíram o uso de antagonista alfa-1 (OR 1,14), gênero e tamanho da pupila.
• Graduadores Humanos: Os dois cirurgiões humanos alcançaram AUCs de 55% e 49%, respectivamente, ao avaliar apenas as imagens infravermelhas, indicando capacidade limitada de prever visualmente a IFIS sem dados adicionais.
• Desempenho dos Modelos de IA:
  • Classificação de Infravermelho: O modelo ConvNeXt-large-224 apresentou o melhor desempenho entre as CNNs, com uma AUC de 65,5%. Outros modelos (EfficientNet-b7, MobileNet, ResNet-50) tiveram desempenho inferior, com AUCs variando entre 39,8% e 54,6%. Os modelos tiveram dificuldades com o desequilíbrio de classes, apresentando baixo recall binário (ex: 4,26% para ConvNeXt) apesar do alto recall ponderado.
  • Classificação de OCT: O modelo ResNet-50 em imagens de OCT alcançou uma AUC de 57,8% em imagens individuais, que melhorou para 61,7% quando a votação majoritária foi aplicada.
  • Detecção de Anomalias: O modelo EfficientAd alcançou uma AUC de 53,3% (53,5% na seção de resultados), com recall perfeito (100%), mas precisão baixa (26,8%) e acurácia baixa (26,9%).

Principais Contribuições e Significância
O estudo demonstra que algoritmos de IA podem auxiliar oftalmologistas na identificação de pacientes em risco de IFIS utilizando imagens pré-operatórias de rotina, potencialmente superando cirurgiões experientes quando dependem exclusivamente da análise de imagem. Especificamente:

1. Superioridade à Avaliação Visual Humana: O melhor modelo de IA (ConvNeXt-large-224) alcançou uma AUC de 65,5%, superando o desempenho dos graduadores humanos (49–55%) na predição de IFIS a partir de imagens infravermelhas isoladas.
2. Integração de Modalidades de Imagem: A pesquisa valida a utilidade tanto das imagens infravermelhas quanto de OCT para esta tarefa, sendo que a regressão logística multivariada (dados clínicos) alcançou a maior AUC (70%), sugerindo que a análise de imagem por IA complementa, em vez de substituir, a avaliação de fatores de risco clínicos.
3. Abordagem do Desequilíbrio de Classes: O estudo destaca a dificuldade de detectar a IFIS devido à sua baixa prevalência (~7,5%) e ao resultante desequilíbrio de classes, o que impacta severamente a precisão e o recall dos modelos. Os autores observam que, embora a detecção de anomalias tenha oferecido sensibilidade perfeita, ela requer otimização adicional para equilibrar a precisão.

Limitações e Direções Futuras
Os autores reconhecem diversas limitações, incluindo o conjunto de dados desbalanceado, a variabilidade no relato da gravidade da IFIS pelos cirurgiões e o uso de imagens infravermelhas em tons de cinza que carecem de informações de cor (como a cor da íris, previamente associada ao risco de IFIS). O artigo conclui que, embora a IA seja promissora, pesquisas adicionais são necessárias em outras modalidades de imagem e otimização de modelos para melhorar a precisão da predição e a generalização antes da implementação clínica. O estudo não afirma que a IA possa atualmente substituir o julgamento clínico, mas sim que serve como uma ferramenta complementar potencial para um planejamento cirúrgico mais seguro.