# Estratégias de otimização em aprendizado de máquina e profundo para edema macular diabético: o que a revisão sistemática revela?

> A revisão sistemática identificou que algoritmos de otimização, especialmente meta-heurísticos como Jaya e colônia de formigas, potencializam modelos híbridos para classificação de edema macular diabético. A Auto-Metric Graph Neural Network alcançou acurácia de 99,57% na graduação combinada de retinopatia diabética e edema macular diabético. Porém, baixa precisão na identificação de lesões e interpretabilidade clínica limitam a aplicação.

Estudo citado: Mutawa AM, Sabti K, Sundaram Thankaleela BS, Raizada S. A review of optimization strategies for deep and machine learning in diabetic macular edema. Frontiers in artificial intelligence. 2026. DOI: https://doi.org/10.3389/frai.2026.1684752. PubMed: https://pubmed.ncbi.nlm.nih.gov/41766941/

## Resposta

O edema macular diabético é uma das principais causas de deficiência visual em pacientes com diabetes, exigindo análise precisa e precoce para o tratamento adequado. Avanços recentes em aprendizado profundo e de máquina têm mostrado resultados promissores na análise de imagens oftalmológicas. No entanto, pesquisadores frequentemente negligenciam a importância dos algoritmos de otimização para melhorar a eficácia de seus modelos em tarefas relacionadas ao edema macular diabético.

Esta revisão sistemática teve como objetivo consolidar, buscar, descobrir, avaliar e integrar os trabalhos existentes sobre a aplicação de aprendizado profundo e de máquina, com ênfase na integração e no impacto dos algoritmos de otimização para aprimorar sua eficácia, robustez e desempenho no edema macular diabético. Foi utilizada a estrutura população, intervenção, comparação e desfecho para facilitar uma análise clara e abrangente, e a qualidade metodológica dos estudos incluídos foi avaliada com as ferramentas do Joanna Briggs Institute.

Os resultados mostraram que a Auto-Metric Graph Neural Network alcançou a maior acurácia de 99,57% para a graduação combinada de retinopatia diabética e edema macular diabético, ilustrando a maior eficácia de arquiteturas híbridas aprimoradas por otimizadores meta-heurísticos, como Jaya e colônia de formigas. No entanto, a implantação bem-sucedida depende da superação de obstáculos, como a baixa precisão média na identificação de lesões (0,1540) em modelos baseados em YOLO no desempenho do conjunto de teste, e a melhoria da interpretabilidade clínica para fomentar a confiança dos médicos.

A revisão também empregou um diagrama de Sankey para analisar visualmente o fluxo de quantidades entre diferentes entidades da pesquisa. O registro da revisão sistemática está disponível no OSF. Esses achados destacam a importância de considerar algoritmos de otimização no desenvolvimento de modelos para edema macular diabético, mas também apontam para a necessidade de abordar limitações práticas antes da implementação clínica generalizada.

## O que o estudo mostrou

Trata-se de uma revisão sistemática que avaliou estudos sobre aprendizado profundo e de máquina aplicados ao edema macular diabético, com foco no impacto de algoritmos de otimização. A amostra de estudos incluídos não é informada no resumo. A Auto-Metric Graph Neural Network alcançou acurácia de 99,57% na graduação combinada de retinopatia diabética e edema macular diabético. Modelos baseados em YOLO apresentaram baixa precisão média na identificação de lesões (0,1540) no conjunto de teste. A qualidade metodológica foi avaliada com ferramentas do Joanna Briggs Institute.

## Limitações

O resumo não informa o número de estudos incluídos, nem detalhes sobre as bases de dados ou critérios de seleção. Também não são descritas limitações específicas dos estudos primários. A interpretabilidade clínica dos modelos é apontada como um desafio, e a baixa precisão na identificação de lesões em modelos YOLO sugere que a aplicação clínica ainda requer cautela. O resumo não fornece informações sobre a população de pacientes ou contextos de validação.

## Aplicação no consultório

Para o médico brasileiro, esta revisão reforça que ferramentas de inteligência artificial para edema macular diabético podem se beneficiar de algoritmos de otimização, mas ainda não estão prontas para uso clínico rotineiro devido a limitações como baixa precisão na detecção de lesões e falta de interpretabilidade. Na gestão do consultório, é prudente aguardar validação clínica robusta antes de adotar tais sistemas. O conhecimento sobre essas técnicas pode auxiliar na avaliação crítica de tecnologias oferecidas e na comunicação com fornecedores, priorizando soluções com evidências claras de desempenho e explicabilidade.

## Perguntas para aprofundar

- Quais algoritmos de otimização são mais promissores para modelos de aprendizado profundo em edema macular diabético?
- Como a interpretabilidade clínica pode ser melhorada em sistemas de IA para diagnóstico de edema macular diabético?
- Qual o impacto da baixa precisão na identificação de lesões para a aplicação clínica de modelos baseados em YOLO?

Tema: IA em oftalmologia e retinopatia. Página: https://alphadoctor.com.br/ciencia/ia-oftalmologia/estrategias-de-otimizacao-em-aprendizado-de-maquina-e-profundo-para-edema/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.