Un set di immagini del fondo oculare per un sistema intelligente per la retinopatia diabetica

Perché è importante per le persone con diabete

Il diabete può danneggiare silenziosamente gli occhi molto prima che la vista inizi a offuscarsi. Questo articolo descrive una nuova raccolta di immagini pensata per aiutare i computer a individuare questi cambiamenti oculari nascosti in modo più precoce e affidabile, utilizzando un campo visivo della retina più ampio rispetto a molti strumenti attuali.

Vedere di più della parte posteriore dell’occhio

La malattia oculare diabetica danneggia i piccoli vasi sanguigni nella parte posteriore dell’occhio ed è una causa principale di perdita permanente della vista negli adulti in età lavorativa. Le foto regolari dell’occhio vengono già usate per cercare segnali di allarme, ma catturano solo una piccola area centrale. Segnali importanti spesso compaiono ai margini della retina, dove le fotocamere tradizionali potrebbero non arrivare. L’imaging ultra wide field risolve questo problema catturando fino a cinque volte più area in una singola immagine, incluse le zone più periferiche dove possono manifestarsi danni precoci e nuovi vasi fragili.

Costruire una ricca libreria di immagini per strumenti intelligenti

Per sfruttare appieno questo campo visivo più ampio, i programmi informatici hanno bisogno di grandi insiemi di immagini ben organizzati da cui apprendere. Gli autori hanno raccolto 1.630 foto oculistiche ultra wide field da 809 pazienti in due ospedali in Cina. Tutte le persone nello studio avevano il diabete e l’età media era di circa 54 anni. Le immagini sono state acquisite con una fotocamera speciale che non richiede colliri per dilatare la pupilla, rendendo l’esame più rapido e confortevole. Le immagini di bassa qualità, con sfocature o aree mancanti, sono state rimosse in modo che rimanessero solo viste nitide della retina, dei vasi sanguigni e dei possibili danni.

Come gli esperti hanno insegnato al computer

Tre oftalmologi esperti hanno esaminato con cura ogni immagine e le hanno suddivise in tre gruppi: occhi normali, occhi con danno da lieve a moderato e occhi con danno avanzato. Hanno seguito regole internazionali per la classificazione della malattia oculare diabetica, ma gli autori osservano che è ancora prevedibile qualche disaccordo tra i medici, soprattutto quando si tratta di decidere se cambiamenti molto lievi debbano essere considerati normali o malattia precoce. Le decisioni finali sono state registrate in cartelle e tabelle semplici che elencano ogni immagine e il suo gruppo, creando un punto di partenza facile per altri team di ricerca.

Mettere il dataset alla prova

Il team ha quindi verificato quanto questa libreria di immagini fosse utile per addestrare l’intelligenza artificiale. Hanno diviso le immagini in set di addestramento, validazione e test ed eseguito quattro noti modelli di deep learning per classificare le tre fasi della malattia. Prima dell’addestramento hanno ritagliato e standardizzato le immagini e utilizzato accorgimenti semplici come rotazioni casuali e ribaltamenti per aiutare i modelli a generalizzare. Sulle immagini di test trattenute, tutti i modelli hanno ottenuto punteggi elevati su diverse misure di accuratezza, con un modello in particolare che ha raggiunto le prestazioni migliori. Le mappe di calore generate dai modelli hanno evidenziato piccole protuberanze nei vasi sanguigni e membrane simili a cicatrici, suggerendo che gli algoritmi si sono concentrati sulle stesse aree che i medici considerano importanti.

Aiutare più persone a preservare la vista

Questo nuovo dataset aperto offre una visione di alta qualità e ad angolo ampio della malattia oculare diabetica a chiunque sviluppi strumenti di screening intelligenti. Combinando immagini ultra wide field con l’intelligenza artificiale, i sistemi futuri potrebbero coprire una porzione maggiore della retina, non perdere cambiamenti pericolosi e richiedere meno tempo di personale. Pur non potendo da solo sostituire la cura oculare regolare, questo dataset pone le basi per uno screening assistito dal computer più affidabile e ampiamente disponibile che potrebbe contribuire a ridurre la cecità da diabete, soprattutto in cliniche con risorse limitate.

Citazione: Peng, S., Yang, S., Zhao, X. et al. A fundus image dataset for intelligent diabetic retinopathy system. Sci Data 13, 777 (2026). https://doi.org/10.1038/s41597-026-07093-7

Parole chiave: retinopatia diabetica, imaging retinico, ultra wide field, IA medicale, screening oculare