IA em oftalmologia e retinopatia

As redes adversárias generativas (GANs) são precisas para detectar glaucoma em imagens de retina?

Resposta

O glaucoma é uma doença retiniana que leva à cegueira irreversível e, globalmente, é a segunda causa mais comum de cegueira, ligeiramente menos frequente que a catarata. Diante disso, há grande necessidade de evitar o crescimento silencioso da doença com o uso de tecnologias recentemente desenvolvidas, como as redes adversárias generativas (GANs).

Esta revisão sistemática e análise bibliométrica teve como objetivo apresentar a tecnologia GAN para o diagnóstico de distúrbios oculares, especialmente o glaucoma, ilustrando o aprendizado adversarial profundo como potencial ferramenta diagnóstica e os desafios de sua implementação. Os autores descrevem e analisam muitas das armadilhas e problemas que os pesquisadores precisarão superar para implementar esse tipo de tecnologia.

Para organizar a revisão de forma abrangente, os artigos foram coletados em cinco bases de dados renomadas: IEEE Xplore, Web of Science, Scopus, ScienceDirect e PubMed, usando palavras-chave relacionadas a glaucoma, disco óptico, vasos sanguíneos, função de perda, GAN, aprendizado profundo, CNN e encoder. Foram incluídas publicações dos últimos 5 anos, especificamente de 2015 a 2020, e excluídos estudos que usavam tomografia de coerência óptica e campos visuais, exceto aqueles com imagens 2D.

Após a triagem, foram encontrados 59 artigos. Desses, 30 apresentam tentativas reais de sintetizar imagens e fornecer segmentação/classificação precisa usando pontos de referência únicos ou múltiplos, ou compartilham certas experiências. Os outros 29 artigos discutem avanços recentes em GANs, realizam experimentos práticos e contêm estudos analíticos de doenças retinianas.

Os autores concluem que técnicas recentes de aprendizado profundo, como as GANs, têm mostrado desempenho encorajador na detecção de doenças retinianas. Embora essa metodologia envolva um orçamento computacional extenso e processo de otimização, ela satura a natureza gananciosa das técnicas de aprendizado profundo ao sintetizar imagens e resolve grandes questões médicas. O artigo contribui com uma análise minuciosa dos trabalhos existentes, destacando limitações atuais e sugerindo alternativas para apoiar outros pesquisadores e participantes a melhorar e fortalecer trabalhos futuros. Por fim, novas direções para esta pesquisa foram identificadas.

O que o estudo mostrou

Trata-se de uma revisão sistemática com análise bibliométrica que identificou 59 artigos após busca em cinco bases de dados (IEEE Xplore, Web of Science, Scopus, ScienceDirect e PubMed), abrangendo publicações de 2015 a 2020. Desses, 30 artigos apresentam tentativas reais de sintetizar imagens e fornecer segmentação/classificação precisa usando pontos de referência únicos ou múltiplos, enquanto 29 discutem avanços recentes em GANs, realizam experimentos práticos e contêm estudos analíticos de doenças retinianas. Os resultados foram sumarizados e representados em um diagrama de matriz em forma de T. O resumo não informa métricas quantitativas de acurácia agrupadas.

Limitações

O resumo não informa as limitações específicas dos estudos incluídos, nem detalha a qualidade metodológica dos artigos analisados. Também não são fornecidos dados quantitativos de acurácia, sensibilidade ou especificidade das GANs para detecção de glaucoma. A revisão excluiu estudos que usavam tomografia de coerência óptica e campos visuais, exceto aqueles com imagens 2D, o que pode restringir a generalização dos achados. O resumo não informa o número de revisores ou a avaliação de risco de viés.

Aplicação no consultório

Para o médico brasileiro, a revisão indica que as GANs são uma tecnologia promissora para detecção de glaucoma, mas ainda com desafios de implementação e alto custo computacional. Na prática clínica, isso sugere que a adoção rotineira de sistemas baseados em GANs para triagem ou diagnóstico auxiliar ainda não está estabelecida. Para a gestão do consultório, investimentos em infraestrutura de imagem e capacitação podem ser considerados, mas com cautela, dado que o resumo não fornece métricas de acurácia que justifiquem substituir a avaliação clínica padrão. A tecnologia pode, no futuro, apoiar a detecção precoce, mas requer validação adicional.

Estudo citado

Accuracy of Using Generative Adversarial Networks for Glaucoma Detection: Systematic Review and Bibliometric Analysis. Journal of medical Internet research, 2021.
Autores: Saeed AQ, Sheikh Abdullah SNH, Che-Hamzah J, Abdul Ghani AT.
DOI: 10.2196/27414 · PubMed: PMID 34236992

Perguntas para aprofundar

• Quais são as principais limitações das GANs para detecção de glaucoma em comparação com métodos tradicionais?
• Como as GANs podem ser integradas ao fluxo de trabalho clínico para triagem de glaucoma?
• Quais desafios técnicos e éticos precisam ser superados para implementar GANs na prática oftalmológica?

Mais sobre IA em oftalmologia e retinopatia

• Redes adversárias generativas (GANs) podem melhorar o treinamento de algoritmos diagnósticos em oftalmologia quando faltam dados anotados?
• Redes neurais profundas podem detectar e classificar lesões em imagens clínicas na oftalmologia, dermatologia e medicina oral com desempenho comparável ao humano?
• Qual método de segmentação de vasos retinianos apresenta melhor desempenho em revisão sistemática?
• O aprendizado de máquina aplicado ao processamento de imagens de retina é eficaz para detectar glaucoma?
• Aprendizado de máquina é preciso para diagnosticar alta miopia e miopia patológica na prática clínica?

Todas as perguntas sobre IA em oftalmologia e retinopatia · Todos os temas · Versão em markdown