Novas tecnologias para avaliação retiniana: da análise humana ao uso de inteligência artificial

• Ano de defesa: 2023
• Autor(a) principal: Mendonça, Luísa Salles de Moura[UNIFESP]
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• dARK ID: ark:/48912/001300002877b
• Idioma: por
• Instituição de defesa: Universidade Federal de São Paulo
• Palavras-chave em Português: Retina; Tomografia de coerência óptica; Angiografia por tomografia de coerência óptica; Inteligência artificial
• Link de acesso: https://repositorio.unifesp.br/handle/11600/69394

Objetivo: Avaliar o desempenho da inteligência humana, aqui representada por avaliadores independentes, na análise de imagens provenientes de modalidades de imagem recentes (Heidelberg Spectralis High Magnification Module [HMM] e angiografia por tomografia de coerência óptica [OCTA]), avaliar dois algoritmos de inteligência artificial (IA) para segmentação e aperfeiçoamento de imagens de tomografia de coerência óptica (OCT) e OCTA e revisar a literatura atual no que tange à utilização de IA para análise de imagens e em estratégias de inclusão de indivíduos em estudos clínicos em retina. Métodos: Avaliadores independentes realizaram contagem manual de fotorreceptores em imagens obtidas com HMM. Em outro estudo, avaliadores independentes analisaram parâmetros morfológicos em imagens de OCTA contendo neovascularizações maculares (do inglês, MNV). Em ambos os estudos, a reprodutibilidade dos métodos foi avaliada por meio de coeficientes de correlação intraclasse (ICC). Nos estudos de IA: (1) modelo de transfer learning para segmentação de fluido intrarretiniano em imagens de OCTs foi avaliado, e coeficientes Dice foram obtidos na comparação com avaliadores independentes; e (2) modelo de pseudoaveraging foi comparado com estratégia de averaging para melhora da qualidade e redução de artefatos em imagens de OCTAs en face. Resultados: Os índices de repetitividade e reprodutibilidade do método de contagem manual de fotorreceptores em imagens obtidas com HMM variaram entre ICC = 0,22 (0–0,71, para o parâmetro interavaliadores, e ICC = 0,84 (0,57–0,95), para o parâmetro intra-avaliador. As densidades de células obtidas foram comparáveis aos valores da literatura. No estudo que avaliou imagens de MNV em OCTA, todos os resultados de ICC interavaliadores estiveram em faixas de concordância pobre ou moderada. Nos estudos de IA, o modelo transferido entre instituições foi treinado em 400 imagens tomográficas adicionais na instituição receptora, e sua performance foi equivalente à dos avaliadores independentes em identificar fluido intrarretiniano, já que não houve diferença estatisticamente significativa entre os coeficientes Dice. No outro estudo, o modelo de deep learning (DL) para aperfeiçoamento de imagens de OCTA através de pseudoaveraging apresentou performance superior ao método averaging na maioria dos parâmetros avaliados. Conclusão: Segmentação de imagens e classificação morfológica de lesões em retina por avaliadores independentes estão sujeitas à subjetividade, gerando baixos índices de reprodutibilidade interavaliadores. Modelos de deep learning podem ser utilizados como ferramenta para análise e melhora de imagens, com resultados equivalentes ou superiores aos de avaliadores e aos métodos automatizados que não envolvem IA.