Aplicações de deep learning em tomografia de coerência óptica na degeneração macular relacionada à idade: o que a literatura mostra?
Resposta curta: Uma revisão sistemática identificou 95 artigos sobre deep learning em OCT na DMRI, com modelos achieving alto desempenho, por vezes comparável a especialistas. As principais aplicações incluíram classificação e segmentação de biomarcadores, avaliação de progressão e predição de função visual. No entanto, validação externa e reprodutibilidade foram frequentemente limitadas, sendo necessários estudos prospectivos para confirmar a utilidade clínica.
Resposta
A revisão sistemática, conduzida conforme o PRISMA, abrangeu publicações de 2000 a 2021 e incluiu 95 artigos originais que aplicaram deep learning à OCT em pacientes com DMRI ou características como neovascularização coroideana, atrofia geográfica e drusas. O objetivo foi sumarizar as aplicações e o desempenho desses modelos.
Os estudos foram categorizados em seis áreas principais: classificação de DMRI ou biomarcadores (40 artigos), segmentação de biomarcadores (20), segmentação de camadas retinianas ou coroide (7), avaliação de resposta ao tratamento e progressão (13), predição de função visual (6) e determinação da necessidade de encaminhamento ao especialista em retina (3).
De modo geral, os modelos de deep learning alcançaram alto desempenho, em alguns casos comparável ao de especialistas. Contudo, a validação externa e os parâmetros experimentais que permitiriam a reprodutibilidade foram frequentemente limitados, o que restringe a generalização dos resultados.
Os autores concluem que são necessários estudos prospectivos que demonstrem a generalização e a utilidade clínica desses modelos. A revisão destaca o potencial da tecnologia, mas ressalta a importância de padronização e validação antes da incorporação na prática clínica.
Para o médico, os achados indicam que ferramentas de deep learning em OCT para DMRI estão em desenvolvimento, com resultados promissores, mas ainda carecem de evidências robustas de aplicabilidade clínica. A decisão de adotar tais ferramentas deve considerar a necessidade de validação local e a compreensão de suas limitações.
O que o estudo mostrou
Trata-se de uma revisão sistemática da literatura, sem meta-análise, que incluiu 95 artigos originais publicados entre 2000 e 2021. Os estudos aplicaram deep learning à OCT em pacientes com DMRI ou características da doença. As principais categorias foram classificação de DMRI ou biomarcadores (40 artigos), segmentação de biomarcadores (20), segmentação de camadas retinianas ou coroide (7), avaliação de resposta ao tratamento e progressão (13), predição de função visual (6) e determinação de necessidade de encaminhamento ao especialista em retina (3). Os modelos geralmente alcançaram alto desempenho, por vezes comparável ao de especialistas, mas validação externa e parâmetros de reprodutibilidade foram frequentemente limitados.
Limitações
O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, heterogeneidade das amostras ou possíveis vieses de publicação. A ausência de meta-análise impede estimativas sumárias de desempenho. Além disso, a limitação de validação externa e de parâmetros de reprodutibilidade nos estudos originais restringe a generalização dos achados. O resumo também não informa o número total de pacientes ou imagens analisadas.
Aplicação no consultório
Os achados sugerem que ferramentas de deep learning para OCT na DMRI ainda não estão prontas para uso clínico rotineiro, dada a necessidade de validação externa e estudos prospectivos. O oftalmologista deve manter cautela ao considerar tais tecnologias, priorizando aquelas com evidências de generalização. Na gestão do consultório, investimentos em sistemas de IA devem ser acompanhados de avaliação crítica da reprodutibilidade e da aplicabilidade ao perfil de pacientes atendidos.
Estudo citado
A SYSTEMATIC REVIEW OF DEEP LEARNING APPLICATIONS FOR OPTICAL COHERENCE TOMOGRAPHY IN AGE-RELATED MACULAR DEGENERATION. Retina (Philadelphia, Pa.), 2022.
Autores: Paul SK, Pan I, Sobol WM.
DOI: 10.1097/IAE.0000000000003535 · PubMed: PMID 35877964
Perguntas para aprofundar
- Quais são as principais aplicações clínicas do deep learning em OCT na DMRI?
- Como a validação externa de modelos de deep learning em OCT pode impactar a prática oftalmológica?
- Quais critérios devem ser considerados antes de adotar ferramentas de IA para diagnóstico de DMRI no consultório?
Mais sobre IA em diagnóstico por imagem e radiologia
- Modelos de inteligência artificial têm bom desempenho diagnóstico na detecção de fraturas faciais em tomografia e radiografias?
- A inteligência artificial é tão eficaz quanto médicos para detectar displasia do desenvolvimento do quadril em exames de imagem?
- A inteligência artificial pode aprimorar o diagnóstico por imagem da síndrome do túnel do carpo?
- Modelos de aprendizado profundo podem melhorar a acurácia diagnóstica na imagem de espondiloartrites?
- A detecção automatizada de lesões ósseas por TC e RM com inteligência artificial já tem validação clínica suficiente para uso na prática?
Todas as perguntas sobre IA em diagnóstico por imagem e radiologia · Todos os temas · Versão em markdown