O presente e o futuro do diagnóstico por IA em oftalmologia (AI Diagnosis in Ophthalmology)

Pontos principais em resumo

A oftalmologia é uma das áreas médicas em que a aplicação da IA (inteligência artificial) mais avançou, e dados de imagem padronizados, como fotos de fundo de olho e OCT, são adequados para o aprendizado da IA.
Em 2018, a FDA aprovou o primeiro sistema de diagnóstico de IA totalmente autônomo (IDx-DR), e a automação do rastreamento da retinopatia diabética entrou em uso prático²⁾.
Na avaliação de um chatbot de IA (ChatGPT-4) sobre conhecimentos em oftalmologia, a precisão geral foi de 70%, com diferenças por área: retina 77% (a mais alta) e neuro-oftalmologia 58% (a mais baixa)³⁾.
O rastreamento de retinopatia diabética com IA foi considerado custo-efetivo em 11 de 15 estudos, e o NHS da Escócia relatou uma economia anual de cerca de 400 mil dólares¹⁾.
A precisão da IA ainda enfrenta desafios na qualidade da imagem, no viés dos dados de treinamento e no manejo de doenças raras¹⁾.
O diagnóstico por IA é uma ferramenta de apoio, e o diagnóstico final e o plano de tratamento são definidos por um especialista em oftalmologia.
Avança a pesquisa em IA que prevê doenças sistêmicas, como risco cardiovascular e demência, a partir de fotos de fundo de olho⁶⁾.

1. O que é o diagnóstico oftalmológico por IA

IA (inteligência artificial) é o termo geral para sistemas de aprendizado de máquina que imitam a inteligência humana. O deep learning (DL) é um subconjunto da IA que usa redes neurais multicamadas para extrair características avançadas e fazer julgamentos complexos¹⁾.

A oftalmologia é uma das áreas médicas em que a IA mais avançou. Fotos de fundo de olho, OCT (tomografia de coerência óptica), exames de campo visual e outros dados de imagem são padronizados, o que facilita obter grandes quantidades de dados de treinamento. Os principais usos da IA são os três pontos a seguir.

Melhorar a eficiência da triagem (reduzir a carga de leitura dos especialistas em oftalmologia)
Melhorar o acesso em regiões com falta de especialistas
Padronizar a precisão diagnóstica (reduzir as diferenças entre instituições)

Em 2018, o FDA aprovou o primeiro sistema de diagnóstico por IA totalmente autônomo (IDx-DR), acelerando a aplicação prática do diagnóstico oftalmológico por IA²⁾. O IDx-DR pode ser operado por profissionais não oftalmologistas em ambientes de clínica interna e atenção primária, e determina automaticamente se é necessário encaminhamento para um especialista em oftalmologia²⁾.

Os sistemas de aprendizagem profunda mostraram precisão comparável à de especialistas na detecção de retinopatia diabética, glaucoma e AMD, e foi demonstrado o potencial do diagnóstico por IA usando fotografias de fundo de olho⁸⁾.

Q Como a IA é usada na oftalmologia?

A IA analisa automaticamente imagens de fotografias de fundo de olho e de OCT para detectar doenças como retinopatia diabética, glaucoma e degeneração macular relacionada à idade. A IA de triagem (totalmente autônoma) pode ser operada por não oftalmologistas e é usada para a triagem inicial em regiões com falta de especialistas. Também estão sendo estudados chatbots de IA (como o GPT-4) para avaliar conhecimentos de oftalmologia e para educação de pacientes³⁾. O diagnóstico final fica como uma ferramenta de apoio, realizado por um especialista em oftalmologia.

2. Tipos de IA e doenças-alvo

A IA em oftalmologia é dividida, em linhas gerais, nos três tipos a seguir, de acordo com a função e o nível de autonomia.

IA de triagem (totalmente autônoma)

Analisa automaticamente fotografias de fundo de olho e determina se o encaminhamento é desnecessário ou necessário. Pode funcionar mesmo onde não há especialistas em oftalmologia e é aplicada às seguintes doenças²⁾.

Retinopatia diabética (DR): a mais estudada e a mais implantada
Degeneração macular relacionada à idade (DMRI): detecção de drusas e neovascularização
Glaucoma: análise automática da papila óptica e da camada de fibras nervosas
Retinopatia da prematuridade (ROP): triagem neonatal na UTI neonatal
Retinoblastoma: monitoramento do fundo de olho em crianças

IA de apoio diagnóstico (semiautônoma)

É um sistema que auxilia o médico na interpretação de imagens. É usado na classificação dos subtipos de AMD por meio da segmentação automática da estrutura em camadas da OCT, e na avaliação da gravidade do edema macular diabético (DME).

Chatbot de IA (multimodal)

É uma aplicação de um modelo de linguagem grande que analisa simultaneamente texto (informações da anamnese) e imagens (fotografias de fundo de olho e OCT). A capacidade de conhecimento em oftalmologia e de interpretação de imagens do ChatGPT-4 foi avaliada, e seu uso para educação do paciente e anamnese remota está sendo considerado³⁾.

Tipo de IA	Sistema representativo	Alvo	Métrica de precisão
IA de triagem (autônoma)	IDx-DR²⁾	Retinopatia diabética	Sensibilidade 87,2%, especificidade 90,7%
IA de triagem (autônoma)	i-ROP DL⁵⁾	ROP	Sensibilidade de 91%, especificidade de 91%
IA de triagem (autônoma)	EyeArt⁴⁾	retinopatia diabética	Avaliado e em uso no NHS do Reino Unido
chatbot de IA	ChatGPT-4³⁾	avaliação de conhecimentos em oftalmologia	acurácia geral de 70%

3. Principais sistemas de IA e precisão diagnóstica

IDx-DR (Digital Diagnostics)

²⁾ é o primeiro sistema de diagnóstico por IA totalmente autônomo aprovado pela FDA em 2018. Profissionais que não são oftalmologistas tiram as imagens com uma câmera de fundo de olho sem dilatação, e a IA as analisa automaticamente e decide se há necessidade de encaminhamento. Seu uso vem sendo adotado em unidades de atenção primária.

Principais indicadores de desempenho (ensaio pivotal de Abràmoff et al. 2018)²⁾:

Sensibilidade: 87,2% (detecção de retinopatia diabética moderada ou mais grave)
Especificidade: 90,7%
Valor preditivo positivo: 49,7%, valor preditivo negativo: 98,5%

O IDx-DR tornou possível o rastreamento autônomo de DR em serviços de clínica médica e atenção primária, permitindo selecionar com eficiência os casos que precisam de encaminhamento a um especialista em oftalmologia²⁾.

Interpretação de imagens oftalmológicas por chatbot de IA (ChatGPT-4)

A precisão do GPT-4 em questões de múltipla escolha de oftalmologia foi avaliada³⁾, e a precisão geral é de 70%.

Precisão geral: 70% (299/428 questões)
Classificação da precisão por área:

Área	Precisão
Retina	77% (mais alta)³⁾
Tumores oculares	72%³⁾
Oftalmologia pediátrica	68%³⁾
Uveíte	67%³⁾
Glaucoma	61%³⁾
Neuro-oftalmologia	58% (mais baixo)³⁾

Perguntas baseadas em imagem: 65%, perguntas não baseadas em imagem: 82% (diferença de 17%, P < .001)³⁾

Essa diferença mostra que a capacidade do chatbot de interpretar imagens ainda fica atrás de sua compreensão de texto não baseado em imagens. Tem sido apontado que a integração adequada de chatbots multimodais no ambiente clínico é essencial³⁾.

IDx-DR (aprovado pela FDA em 2018)

Doença-alvo: retinopatia diabética

Precisão: sensibilidade 87,2%, especificidade 90,7%

Características: totalmente autônomo. Pode ser operado por não oftalmologistas. Usado em medicina interna e atenção primária²⁾

EyeArt (Eyenuk)

Doença-alvo: retinopatia diabética

Precisão: avaliado e colocado em uso prático no NHS do Reino Unido

Características: com histórico de integração em programas de rastreamento⁴⁾

i-ROP DL (2018)

Doença-alvo: retinopatia da prematuridade (ROP)

Precisão: sensibilidade 91%, especificidade 91%

Característica: detecção automática de doença plus na UTI neonatal⁵⁾

ChatGPT-4 (OpenAI)

Objeto: avaliação de conhecimentos em oftalmologia e interpretação de imagens

Precisão: taxa geral de acerto de 70% (retina 77%, neuro-oftalmologia 58%)

Característica: em fase de pesquisa para uso em educação do paciente e consultas remotas³⁾

Q Quão precisa é a IA no diagnóstico de doenças oculares?

A IA para rastreamento de retinopatia diabética (IDx-DR) apresentou sensibilidade de 87,2% e especificidade de 90,7%, com precisão comparável à leitura de um especialista em oftalmologia²⁾. A IA para retinopatia da prematuridade (ROP) (i-ROP DL) também alcançou sensibilidade de 91% e especificidade de 91%⁵⁾. Por outro lado, na avaliação dos conhecimentos em oftalmologia do chatbot de IA (ChatGPT-4), a taxa geral de acerto foi de 70%, e na área de neuro-oftalmologia foi menor, 58%³⁾. Em todos os casos, a IA é apenas uma ferramenta de apoio e, se alguma anormalidade for detectada, é necessário um exame detalhado por um especialista em oftalmologia.

4. Custo-efetividade e economia da saúde

As evidências sobre a custo-efetividade do rastreamento oftalmológico com IA vêm se acumulando em vários estudos¹⁾.

Rastreio da retinopatia diabética (DR)

Na revisão sistemática de Wu et al. (2021), 11 de 15 estudos que avaliaram a economia do rastreio de DR com IA consideraram-no custo-efetivo¹⁾.

NHS da Escócia: economia anual de $403,200
Estados Unidos (IDx-DR/EyeArt): redução de custos de 23.3% por paciente
China rural: o rastreio com IA foi $34.86 mais barato do que avaliadores humanos e melhorou o QALY em 0.04

Região/ambiente	Avaliação de custo-efetividade	Fonte
NHS da Escócia	Economia anual de $403,200	Wu 2021¹⁾
Atenção primária dos EUA	Redução de custos de 23.3% por paciente	Wu 2021¹⁾
áreas rurais da China	$34.86 mais barato que os avaliadores humanos, +0.04 QALY	Wu 2021¹⁾
Japão (AMD, Tamura et al. 2022)	ICER $99,283/QALY (acima do limiar)	Wu 2021¹⁾

Rastreamento de retinopatia da prematuridade (ROP)

Relatou-se que o rastreamento autônomo por IA é o mais custo-efetivo em comparação com telemedicina, exame de fundo de olho e IA assistida¹⁾. Com um limiar de disposição a pagar de $7, ele foi considerado custo-efetivo em comparação com o rastreamento assistido¹⁾.

Rastreamento de AMD (degeneração macular relacionada à idade)

Em uma simulação de coorte japonesa (500,000 pessoas com 40 anos ou mais, prevalência de 3.85%), o ICER do rastreamento com IA a cada 3 anos foi de $99,283/QALY ($92,890-$99,283)¹⁾. Isso supera o limiar de disposição a pagar do Japão (cerca de $47,286/QALY), de modo que a custo-efetividade do rastreamento de AMD ainda é incerta por enquanto¹⁾. No entanto, avanços na tecnologia de IA e a queda dos custos podem trazer melhorias no futuro.

5. Desafios e limitações

Desafios técnicos

Viés dos dados de treinamento: em conjuntos de dados tendenciosos para certas raças ou faixas etárias, a precisão cai em outros grupos¹⁾
Dependência da qualidade da imagem: a qualidade das fotografias de fundo de olho (se há dilatação pupilar, opacidade dos meios e condições de captura) afeta diretamente a precisão da IA
Dificuldade para lidar com doenças raras: em doenças com poucos dados de treinamento, não se consegue precisão suficiente
Problema da caixa-preta: a base das decisões da IA não é transparente, dificultando que o médico cumpra sua responsabilidade de explicação¹⁾
Baixa precisão em neuro-oftalmologia: a taxa de acerto do ChatGPT-4 em neuro-oftalmologia foi de 58%, a mais baixa, mostrando limites na interpretação de doenças complexas do nervo óptico³⁾

Desafios éticos e regulatórios

São apontadas a seguir as questões éticas e legais da IA em oftalmologia¹⁾.

Privacidade do paciente e segurança de dados: estabelecimento de regulamentações para o gerenciamento em nuvem e o compartilhamento internacional de imagens de fundo de olho
Responsabilidade em caso de diagnóstico errado: em caso de erro diagnóstico da IA, a responsabilidade é do médico ou do fabricante da IA
Processos regulatórios e de aprovação: sistemas adequados de avaliação para dispositivos médicos de IA sob a FDA (EUA), a Lei de Produtos Farmacêuticos e Dispositivos Médicos (Japão) e outros
Garantia de explicabilidade (explainability): a importância de apresentar a base das decisões da IA de forma compreensível para médicos e pacientes

Questões de economia da saúde

O custo inicial de implementação (hardware, software e treinamento da equipe) pode ser alto¹⁾
A diferença na relação custo-benefício entre países de baixa e alta renda é كبيرة¹⁾
Os sistemas de reembolso por seguro estão sendo desenvolvidos em cada país, e a implementação no Japão ainda está em fase de desenvolvimento

Q O diagnóstico ocular por IA é seguro?

Sistemas aprovados por órgãos reguladores como a FDA (como o IDx-DR) passaram por ensaios clínicos rigorosos e tiveram um certo nível de segurança confirmado²⁾. No entanto, o diagnóstico por IA é uma ferramenta de apoio, e o diagnóstico final e o plano de tratamento devem ser definidos por um oftalmologista. Não se recomenda que o paciente faça autodiagnóstico apenas com um chatbot de IA (como o ChatGPT). A precisão da IA pode diminuir com má qualidade de imagem, doenças raras e na área de neuro-oftalmologia³⁾, portanto, se houver suspeita de anormalidade, é importante procurar um oftalmologista rapidamente.

6. Base técnica: como funciona o aprendizado profundo

Imagem com um mapa de calor Grad-CAM sobreposto a uma foto de fundo de olho. As áreas em que a IA foca são mostradas em uma escala de cores para três categorias: olho normal, suspeita de glaucoma e suspeita de retinopatia diabética

Arias-Serrano I, et al. Artificial intelligence based glaucoma and diabetic retinopathy detection using MATLAB — retrained AlexNet convolutional neural network. F1000Research. 2024;12:14. Figure 8. PMCID: PMC11143403. License: CC BY.

Figura comparativa mostrando mapas de calor Grad-CAM de AlexNet, ResNet50 e GoogLeNet sobrepostos a fotos de fundo de olho (coluna da esquerda) de olho normal (Non_D), suspeita de glaucoma (Sus_G) e suspeita de retinopatia diabética (Sus_R). Vermelho a amarelo indica maior atenção, e azul indica menor atenção. Nos casos de glaucoma, observa-se forte ativação ao redor da papila do nervo óptico, enquanto nos casos de retinopatia diabética observa-se forte ativação na região da mácula até o polo posterior. Isso corresponde às técnicas de visualização Grad-CAM e de rede neural convolucional abordadas na seção “Base técnica: como funciona o aprendizado profundo”.

Rede Neural Convolucional (CNN)

A rede neural convolucional (CNN: Convolutional Neural Network) é a tecnologia central do diagnóstico oftalmológico por IA.

Extrai automaticamente características de forma hierárquica a partir das imagens de fundo de olho e OCT de entrada
As camadas superficiais reconhecem características de baixo nível, como contornos e cor, enquanto as camadas mais profundas reconhecem características abstratas, como padrões vasculares, hemorragia, edema e a forma da papila do nervo óptico
Aprender repetidamente com grandes quantidades de dados de treinamento (imagens de referência rotuladas por especialistas)

Processo de aprendizado da IA

Coleta de dados: coleta em larga escala de fotos de fundo de olho, OCT e dados de exame de campo visual
Anotação: oftalmologistas atribuem rótulos de referência (estágio e achados) a cada imagem
Treinamento e otimização: ajuste repetido dos parâmetros da rede para aproximá-los da resposta correta
Validação e ensaios clínicos: avaliação de desempenho em coortes externas e teste-piloto na prática clínica real

Aprendizado por transferência (aplicar modelos pré-treinados de outros domínios, como o ImageNet, a imagens oftalmológicas) é amplamente usado como uma forma de alcançar alta precisão mesmo quando os dados de treinamento são limitados.

Também avança a pesquisa na geração de imagens sintéticas usando GAN (redes adversariais generativas) para ampliar artificialmente os dados de treinamento de doenças raras.

IA multimodal

A IA multimodal que processa simultaneamente texto (informações da anamnese) e imagens (fotos de fundo de olho e OCT) vem sendo aplicada à oftalmologia com o avanço dos modelos de linguagem de grande porte (como o GPT-4)³⁾. Embora consiga integrar informações mais variadas do que uma CNN de modalidade única, foi mostrado que sua capacidade de interpretar imagens ainda é inferior à compreensão de texto³⁾.

7. Pesquisas mais recentes e perspectivas futuras

Previsão de doenças sistêmicas a partir de fotografias de fundo de olho

A análise de fotografias de fundo de olho por aprendizado profundo mostrou que pode ser possível prever fatores de risco sistêmicos como idade, sexo, pressão arterial sistólica, histórico de tabagismo e HbA1c apenas a partir das fotografias de fundo de olho⁶⁾. Também já foi relatada certa precisão na previsão do risco futuro de eventos cardiovasculares (infarto do miocárdio e AVC), chamando atenção a possibilidade de que as fotografias de fundo de olho sirvam como uma janela para o estado geral de saúde. Modelos de IA para prever demência, doença renal e anemia também ainda estão em fase de pesquisa⁶⁾.

Integração com câmeras de fundo de olho de smartphone

Com a fotografia de fundo de olho usando uma pequena lente acoplada ao smartphone e a análise por IA, demonstrou-se que o rastreamento de DR em pacientes com diabetes na Índia é prático⁷⁾. Tanto a sensibilidade quanto a especificidade foram comparáveis às das câmeras especializadas de fundo de olho, e o rastreamento por IA combinado com dispositivos de uso geral de baixo custo pode contribuir para sua difusão em países em desenvolvimento e áreas rurais.

Integração entre IA e telemedicina

Ao combinar o rastreamento por IA com a telemedicina, espera-se melhorar o acesso à oftalmologia em áreas remotas e países em desenvolvimento. Mesmo em unidades sem oftalmologista, a IA pode realizar a triagem inicial e encaminhar apenas os casos positivos para avaliação remota por um especialista, permitindo uso mais eficiente dos recursos médicos.

Aplicações em medicina personalizada

Estão em andamento pesquisas sobre IA capaz de prever antecipadamente a resposta ao tratamento anti-VEGF (ranibizumabe, aflibercepte, faricimabe etc.) e sugerir o melhor esquema de administração para cada paciente. Modelos que preveem o efeito do tratamento a partir de imagens de OCT podem ajudar a reduzir o número de injeções e melhorar o prognóstico visual.

Aplicações da IA generativa na educação do paciente e no apoio à anamnese

Modelos de linguagem de grande porte (como o GPT-4) estão sendo estudados para usos como explicar doenças aos pacientes, preparar documentos de consentimento informado e auxiliar na anamnese³⁾. No entanto, continuam sendo desafios evitar erros e vieses nas informações médicas e manter a relação médico-paciente. Não se recomenda que os pacientes tomem decisões de autodiagnóstico ou automedicação com base apenas em chatbots³⁾.

8. Referências

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.