Vista e dintorni

Intelligenza artificiale: l’apprendimento profondo consente lo screening automatizzato delle malattie degli occhi legate al diabete

Da sinistra a destra: immagine del fondo oculare, immagine OCT, spessore retinico reale, spessore retinico previsto.

I ricercatori dell’Helmholtz Zentrum München insieme all’Ospedale oculistico dell’Università LMU di Monaco e all’Università tecnica di Monaco (TUM) hanno creato un nuovo metodo di apprendimento profondo che rende più efficienti gli screening automatizzati per le malattie degli occhi come la retinopatia diabetica. Riducendo la quantità di costosi dati di immagine annotati necessari per l’addestramento dell’algoritmo, il metodo è interessante per le cliniche. Nel caso d’uso della retinopatia diabetica, i ricercatori hanno sviluppato un algoritmo di screening che richiede il 75% di dati annotati in meno e raggiunge le stesse prestazioni diagnostiche degli esperti umani.

Negli ultimi anni, le cliniche hanno mosso i primi passi verso l’intelligenza artificiale e l’apprendimento profondo per automatizzare gli screening medici. Tuttavia, l’addestramento di un algoritmo di apprendimento profondo per lo screening accurato e la previsione della diagnosi richiede grandi set di dati annotati e le cliniche spesso hanno difficoltà con costose etichette da parte di esperti. I ricercatori erano quindi alla ricerca di modi per ridurre la necessità di costosi dati annotati pur mantenendo le elevate prestazioni dell’algoritmo.

Caso d’uso retinopatia diabetica

La retinopatia diabetica è una malattia degli occhi correlata al diabete che danneggia la retina e può portare alla cecità. La misurazione dello spessore retinico è una procedura importante per diagnosticare la malattia nei pazienti a rischio. Per fare ciò, la maggior parte delle cliniche scatta fotografie del fondo oculare, la superficie della parte posteriore dell’occhio. Per automatizzare lo screening di queste immagini, le cliniche hanno iniziato ad applicare algoritmi di deep learning. Questi algoritmi richiedono grandi set di immagini del fondo oculare con annotazioni costose per essere addestrati a eseguire lo screening correttamente.

L’ospedale oculistico dell’Università LMU di Monaco possiede un set di dati sulle dimensioni della popolazione contenente oltre 120.000 fundus non annotati e immagini OCT co-registrate. OCT (tomografia a coerenza ottica) consente informazioni precise sullo spessore della retina ma non è comunemente disponibile in tutti i centri di cura degli occhi. La LMU ha fornito i propri dati ai ricercatori dell’Helmholtz Zentrum München, pionieri nel campo dell’intelligenza artificiale nella salute.

Spessore retinico previsto sulle immagini del fondo

Pre-formazione sotto “auto-supervisione”

“Il nostro obiettivo era utilizzare questo insieme unico di immagini del fondo oculare e OCT per sviluppare un metodo che ridurrà la necessità di costosi dati annotati per l’addestramento dell’algoritmo”, afferma Olle Holmberg, primo autore dello studio dell’Helmholtz Zentrum München e della TUM School of Scienze di vita.

Il gruppo di ricercatori ha sviluppato un nuovo metodo chiamato “previsione dello spessore retinico auto-supervisionato cross-modale” e l’ha applicato per pre-addestrare un algoritmo di apprendimento profondo con il set di dati LMU. In questo caso d’uso, l’apprendimento auto-supervisionato cross-modale ha permesso all’algoritmo di insegnare a se stesso a riconoscere immagini del fondo oculare non annotate con diversi profili di spessore retinico derivati ??da OCT, prevedendo le informazioni sullo spessore direttamente dal fondo. Prevedendo accuratamente lo spessore della retina, una caratteristica diagnostica chiave per la retinopatia diabetica, l’algoritmo è stato quindi in grado di apprendere come prevedere i risultati dello screening.

Prestazioni elevate con un quarto dei dati di allenamento

Questo nuovo metodo ha ridotto la necessità di costosi dati annotati per addestrare in modo significativo l’algoritmo di apprendimento profondo. Quando è stato applicato negli screening automatici per la retinopatia del diabete, ha ottenuto le stesse prestazioni diagnostiche, sia rispetto ai precedenti algoritmi che avevano richiesto molti più dati di formazione, sia rispetto agli esperti umani.

“Abbiamo ridotto la necessità di dati annotati del 75%”, afferma il Prof. Fabian Theis, che ha guidato lo studio in qualità di Direttore dell’Istituto di Biologia Computazionale presso Helmholtz Zentrum München e Direttore Scientifico di Helmholtz AI, la piattaforma di intelligenza artificiale dell’Associazione Helmholtz . “La scarsità di dati annotati è una grande sfida in medicina. Uno dei nostri obiettivi è sviluppare metodi che funzionino con meno dati e che possano quindi essere potenzialmente applicati in molti contesti. Il nostro caso d’uso nella retinopatia diabetica è pronto per l’uso immediato nelle cliniche e è un perfetto esempio di come l’IA può migliorare l’attività quotidiana delle cliniche e quindi la salute di tutti “.

“Il rilevamento e la diagnosi automatizzati della retinopatia diabetica ipovedente con la fotografia del fondo oculare ampiamente disponibile è un grande miglioramento per gli screening. In questo modo si potrebbero ridurre anche i rinvii dei pazienti a centri oculistici specializzati parzialmente sovraffollati”, afferma il dott. Med. Karsten Kortuem, LMU University Eye Hospital di Monaco, responsabile del lato clinico di questo studio.

Inoltre, è stata ottenuta un’ulteriore riduzione delle dimensioni, ovvero del numero di parametri, nell’algoritmo stesso. Il nuovo metodo consente algoritmi fino a 200 volte più piccoli. Questo potrebbe essere un vantaggio cruciale per la loro distribuzione su dispositivi mobili e incorporati, il che è importante anche in ambito clinico.

Applicazioni oltre la retinopatia diabetica

Oltre alla retinopatia diabetica, il nuovo metodo consente ulteriori applicazioni cliniche in cui sono disponibili molti dati non annotati ma le annotazioni degli esperti sono scarse, come la degenerazione maculare legata all’età (AMD).

###

Disponibilità

L’algoritmo pre-addestrato autogestito da questo studio è disponibile su https: / github. com / theislab / DeepRT .

Rispondi

Questo sito usa Akismet per ridurre lo spam. Scopri come i tuoi dati vengono elaborati.