AI (intelligenza artificiale) è il termine generale per i sistemi di machine learning che imitano l’intelligenza umana. Il deep learning (DL) è un sottoinsieme dell’AI che utilizza reti neurali multistrato per estrarre caratteristiche avanzate ed eseguire valutazioni complesse1).
L’oftalmologia è una delle aree mediche in cui l’applicazione dell’AI è più avanzata. Le foto del fundus, l’OCT (tomografia a coerenza ottica), gli esami del campo visivo e altri dati di imaging sono standardizzati, quindi è più facile raccogliere grandi quantità di dati di addestramento. I principali obiettivi dell’AI sono i seguenti 3 punti.
Nel 2018, la FDA ha approvato il primo sistema diagnostico AI completamente autonomo (IDx-DR), accelerando l’uso pratico della diagnosi oftalmologica con AI2). IDx-DR può essere utilizzato da personale non oculistico in medicina interna e nelle cure primarie e determina automaticamente se sia necessario il rinvio a uno specialista in oftalmologia2).
I sistemi di deep learning hanno mostrato un’accuratezza paragonabile a quella degli specialisti nella rilevazione di retinopatia diabetica, glaucoma e AMD, e il potenziale della diagnosi con IA utilizzando fotografie del fundus è stato dimostrato8).
L’IA analizza automaticamente le immagini delle fotografie del fundus e dell’OCT per rilevare malattie come retinopatia diabetica, glaucoma e degenerazione maculare legata all’età. L’IA di screening (completamente autonoma) può essere utilizzata da non oculisti ed è impiegata per lo screening iniziale nelle aree con carenza di specialisti. Sono inoltre in corso ricerche sull’uso di chatbot IA (come GPT-4) per valutare le conoscenze di oftalmologia e per l’educazione dei pazienti3). È considerata uno strumento di supporto, mentre la diagnosi finale è effettuata da uno specialista in oftalmologia.
L’IA in oftalmologia si divide in linea generale nei seguenti tre tipi, in base alla funzione e al livello di autonomia.
IA di screening (completamente autonoma)
Analizza automaticamente le fotografie del fundus e determina se il rinvio non è necessario o se è necessario. Può funzionare anche in assenza di specialisti in oftalmologia ed è applicata alle seguenti malattie2).
IA di supporto alla diagnosi (semi-autonoma)
È un sistema che aiuta il medico nell’interpretazione delle immagini. Viene utilizzato per la classificazione dei sottotipi di AMD tramite la segmentazione automatica della struttura a strati dell’OCT e per la valutazione della gravità dell’edema maculare diabetico (DME).
Chatbot AI (multimodale)
È un’applicazione di un grande modello linguistico che analizza contemporaneamente il testo (informazioni dell’anamnesi) e le immagini (fotografie del fundus e OCT). Le conoscenze oftalmologiche e la capacità di interpretazione delle immagini di ChatGPT-4 sono state valutate, e se ne sta considerando l’uso per l’educazione del paziente e l’anamnesi a distanza3).
| Tipo di IA | Sistema rappresentativo | Obiettivo | Metrica di accuratezza |
|---|---|---|---|
| IA di screening (autonoma) | IDx-DR2) | Retinopatia diabetica | Sensibilità 87,2%, specificità 90,7% |
| IA di screening (autonoma) | i-ROP DL5) | ROP | Sensibilità 91%, specificità 91% |
| IA di screening (autonoma) | EyeArt4) | retinopatia diabetica | Valutato e in uso nel NHS del Regno Unito |
| chatbot IA | ChatGPT-43) | valutazione delle conoscenze in oftalmologia | accuratezza complessiva 70% |
2) è il primo sistema diagnostico di IA completamente autonomo approvato dalla FDA nel 2018. Personale non oculistico acquisisce le immagini con una fotocamera del fondo oculare non midriatica e l’IA le analizza automaticamente decidendo se inviare il paziente a uno specialista. Il suo impiego si sta diffondendo nelle strutture di assistenza primaria.
Principali indicatori di performance (studio cardine di Abràmoff et al. 2018)2):
IDx-DR ha reso possibile lo screening autonomo della DR nelle strutture di medicina interna e di assistenza primaria, consentendo di selezionare in modo efficiente i casi che richiedono l’invio a un oculista2).
È stata valutata l’accuratezza di GPT-4 nelle domande a scelta multipla di oftalmologia3) e l’accuratezza complessiva è del 70%.
| Ambito | Accuratezza |
|---|---|
| Retina | 77% (più alta)3) |
| Tumori oculari | 72%3) |
| Oftalmologia pediatrica | 68%3) |
| Uveite | 67%3) |
| Glaucoma | 61%3) |
| Neuro-oftalmologia | 58% (più bassa)3) |
Questa differenza mostra che la capacità del chatbot di interpretare le immagini è ancora inferiore alla sua comprensione del testo non basato su immagini. È stato sottolineato che una corretta integrazione dei chatbot multimodali nei contesti clinici è essenziale3).
IDx-DR (approvato dalla FDA nel 2018)
Malattia target: retinopatia diabetica
Accuratezza: sensibilità 87,2%, specificità 90,7%
Caratteristiche: completamente autonomo. Può essere utilizzato da non oculisti. Usato in medicina interna e assistenza primaria2)
EyeArt (Eyenuk)
Malattia target: retinopatia diabetica
Accuratezza: valutato e adottato operativamente nel NHS del Regno Unito
Caratteristiche: integrato nei programmi di screening4)
i-ROP DL (2018)
Malattia target: retinopatia del prematuro (ROP)
Accuratezza: sensibilità 91%, specificità 91%
Caratteristica: rilevamento automatico della malattia plus in terapia intensiva neonatale5)
ChatGPT-4 (OpenAI)
Ambito: valutazione delle conoscenze di oftalmologia e dell’interpretazione delle immagini
Accuratezza: percentuale complessiva di risposte corrette 70% (retina 77%, neuro-oftalmologia 58%)
Caratteristica: in fase di ricerca per applicazioni nell’educazione del paziente e nelle visite a distanza3)
L’IA per lo screening della retinopatia diabetica (IDx-DR) ha mostrato una sensibilità dell’87.2% e una specificità del 90.7%, con un’accuratezza paragonabile alla lettura di uno specialista in oftalmologia2). Anche l’IA per la retinopatia del prematuro (ROP) (i-ROP DL) ha raggiunto una sensibilità del 91% e una specificità del 91%5). Invece, nella valutazione delle conoscenze oftalmologiche del chatbot IA (ChatGPT-4), la percentuale complessiva di risposte corrette era del 70%, e nel campo della neuro-oftalmologia era più bassa, al 58%3). In tutti i casi, l’IA è solo uno strumento di supporto e, se viene rilevata un’anomalia, è necessario un esame approfondito da parte di uno specialista in oftalmologia.
Le evidenze sul rapporto costo-efficacia dello screening oftalmologico con IA si sono accumulate in diversi studi1).
Nella revisione sistematica di Wu et al. (2021), 11 dei 15 studi che valutavano l’economia dello screening DR con IA lo hanno giudicato costo-efficace1).
| Regione/contesto | Valutazione del costo-efficacia | Fonte |
|---|---|---|
| NHS Scozia | Risparmio annuo di $403,200 | Wu 20211) |
| Cure primarie negli Stati Uniti | Riduzione dei costi del 23.3% per paziente | Wu 20211) |
| aree rurali della Cina | $34.86 in meno rispetto ai valutatori umani, +0.04 QALY | Wu 20211) |
| Giappone (AMD, Tamura et al. 2022) | ICER $99,283/QALY (oltre la soglia) | Wu 20211) |
È stato riportato che lo screening autonomo con IA è il più costo-efficace rispetto alla telemedicina, all’oftalmoscopia e all’IA assistita1). Con una soglia di disponibilità a pagare di $7, è stato considerato costo-efficace rispetto allo screening assistito1).
In una simulazione di coorte giapponese (500,000 persone di età pari o superiore a 40 anni, prevalenza 3.85%), l’ICER dello screening con IA ogni 3 anni era di $99,283/QALY ($92,890-$99,283)1). Questo supera la soglia di disponibilità a pagare del Giappone (circa $47,286/QALY), quindi al momento il rapporto costo-efficacia dello screening AMD resta incerto1). Tuttavia, i progressi della tecnologia IA e la riduzione dei costi potrebbero migliorare il quadro in futuro.
Di seguito sono indicate le questioni etiche e legali dell’IA in oftalmologia1).
I sistemi approvati da autorità di regolamentazione come la FDA (come IDx-DR) hanno superato rigorosi studi clinici e ne è stato confermato un certo livello di sicurezza2). Tuttavia, la diagnosi con IA è uno strumento di supporto e la diagnosi finale e il piano terapeutico devono essere stabiliti da un oculista. Non è raccomandato che il paziente si autodiagnostichi usando solo un chatbot di IA (come ChatGPT). L’accuratezza dell’IA può diminuire in caso di scarsa qualità dell’immagine, malattie rare e nell’ambito della neuro-oftalmologia3), quindi se si sospetta un’anomalia è importante rivolgersi tempestivamente a un oculista.
La rete neurale convoluzionale (CNN: Convolutional Neural Network) è la tecnologia centrale della diagnosi oftalmologica con IA.
Transfer learning (applicare a immagini oftalmologiche modelli pre-addestrati di altri domini, come ImageNet) è ampiamente usato come metodo per raggiungere un’elevata accuratezza anche quando i dati di addestramento sono limitati.
Anche la ricerca sulla generazione di immagini sintetiche mediante GAN (reti generative antagoniste) per ampliare artificialmente i dati di addestramento delle malattie rare è in avanzamento.
L’IA multimodale che elabora contemporaneamente testo (informazioni dell’anamnesi) e immagini (fotografie del fundus e OCT) viene applicata all’oftalmologia con lo sviluppo dei modelli linguistici di grandi dimensioni (come GPT-4)3). Sebbene possa integrare informazioni più varie rispetto a una CNN a singola modalità, è stato mostrato che la sua capacità di interpretare le immagini è ancora inferiore alla comprensione del testo3).
L’analisi delle fotografie del fundus mediante deep learning ha mostrato che potrebbe essere possibile predire fattori di rischio sistemici come età, sesso, pressione arteriosa sistolica, storia di fumo e HbA1c dalle sole fotografie del fundus6). È stata inoltre riportata una certa accuratezza nella previsione del rischio futuro di eventi cardiovascolari (infarto miocardico e ictus), e per questo attira l’attenzione la possibilità che le fotografie del fundus possano fungere da finestra sullo stato di salute generale. Anche gli AI per predire demenza, malattia renale e anemia sono ancora in fase di ricerca6).
Con la fotografia del fundus mediante una piccola lente da applicare allo smartphone e l’analisi AI, è stato dimostrato che lo screening della DR nei pazienti diabetici in India è praticabile7). Sia la sensibilità sia la specificità sono risultate paragonabili a quelle delle fotocamere fundus specialistiche, e lo screening AI combinato con dispositivi generici a basso costo potrebbe contribuire alla diffusione nei paesi in via di sviluppo e nelle aree rurali.
Integrando lo screening AI con la telemedicina, si prevede un miglioramento dell’accesso alle cure oftalmologiche nelle aree remote e nei paesi in via di sviluppo. Anche nelle strutture prive di uno specialista oftalmologo, l’AI può eseguire uno screening iniziale e inviare solo i casi positivi alla valutazione a distanza da parte di uno specialista, consentendo un uso più efficiente delle risorse mediche.
Sono in corso studi su AI in grado di prevedere in anticipo la risposta alla terapia anti-VEGF (ranibizumab, aflibercept, faricimab, ecc.) e di proporre il piano di somministrazione ottimale per ciascun paziente. I modelli che predicono l’efficacia del trattamento dalle immagini OCT possono contribuire a ridurre il numero di iniezioni e a migliorare la prognosi visiva.
I modelli linguistici di grandi dimensioni (come GPT-4) sono oggetto di ricerca per usi quali spiegare le malattie ai pazienti, preparare i documenti di consenso informato e supportare l’anamnesi3). Tuttavia, restano sfide nel prevenire errori e bias nelle informazioni mediche e nel mantenere la relazione medico-paziente. Non è raccomandato che i pazienti prendano decisioni di autodiagnosi o autotrattamento basandosi solo su un chatbot3).
Wu JH, Liu TYA, Hsu WT, et al. Performance and limitation of machine learning algorithms for diabetic retinopathy screening: meta-analysis. J Med Internet Res. 2021;23(11):e23863.
Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ digital medicine. 2018;1:39. doi:10.1038/s41746-018-0040-6. PMID:31304320; PMCID:PMC6550188.
Mihalache A, Popovic MM, Guo MZ, et al. Performance of an upgraded artificial intelligence chatbot for ophthalmic knowledge assessment. JAMA Ophthalmol. 2024;142(3):234-241.
Olvera-Barrios A, Heeren TF, Balaskas K, et al. Diagnostic accuracy of diabetic retinopathy grading by an artificial intelligence-enabled algorithm compared with a human standard reference. Diabetologia. 2023;66(5):857-866.
Brown JM, Campbell JP, Beers A, et al. Automated diagnosis of plus disease in retinopathy of prematurity using deep convolutional neural networks. JAMA Ophthalmol. 2018;136(7):803-810.
Poplin R, Varadarajan AV, Blumer K, Liu Y, McConnell MV, Corrado GS, et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nature biomedical engineering. 2018;2(3):158-164. doi:10.1038/s41551-018-0195-0. PMID:31015713.
Rajalakshmi R, Subashini R, Anjana RM, et al. Automated diabetic retinopathy detection in smartphone-based fundus photography using artificial intelligence. Eye. 2018;32(6):1138-1144.
Ting DSW, Cheung CY, Lim G, Tan GSW, Quang ND, Gan A, et al. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA. 2017;318(22):2211-2223. doi:10.1001/jama.2017.18152. PMID:29234807; PMCID:PMC5820739.
