Diagnosi automatizzata della forma Plus e degli stadi precoci della ROP mediante modelli di deep learning

Perché contano gli occhi piccoli e i computer intelligenti

Ogni anno migliaia di neonati prematuri rischiano di perdere la vista perché i vasi sanguigni nella parte posteriore dellocchio non si sviluppano normalmente, una condizione chiamata retinopatia del prematuro (ROP). Individuare precocemente questo problema può salvare la vista, ma richiede frequenti esami ophthalmologici eseguiti da specialisti altamente qualificatiprofessionisti di cui cchanno scarse risorse in molte parti del mondo. Questo studio esplora come lintelligenza artificiale (IA) moderna possa aiutare i medici a rilevare segni precoci nelle fotografie retiniche, portando potenzialmente screening a livello di esperto in ospedali e cliniche che non dispongono di cure oftalmologiche specialistiche.

Il problema: vista fragile nei pazienti più piccoli

La ROP si sviluppa quando la nascita prematura interrompe la crescita normale dei vasi sanguigni nella retina, lo strato sensibile alla luce nella parte posteriore dellocchio. I neonati nati molto prematuri o con peso molto basso alla nascita sono a rischio maggiore. Nei casi lievi locchio può guarire da solo. Nei casi gravi, vasi anomali possono esercitare trazione sulla retina e causare cecità permanente. A livello mondiale, si stima che la ROP abbia reso cieche circa 50.000 persone, soprattutto in regioni dove le cure neonatali hanno migliorato la sopravvivenza ma i programmi di screening o gli specialisti oculari non sono cresciuti di pari passo. Gli attuali programmi di screening sono laboriosi, costosi e soggettivi: due esperti possono talvolta non concordare sulleffettiva gravità della malattia di un neonato.

Cosa cercano i medici: vasi tortuosi e stadi iniziali

Gli oculisti valutano la ROP usando due indicatori principali nelle immagini retiniche. Uno lo stadio complessivo della malattia, dallo Stadio 0 (nessuna modifica visibile) fino agli stadi precoci del problema (13). Laltro la cosiddetta "Plus disease", un segnale dallarme in cui i vasi sulla retina diventano insolitamente dilatati e tortuosi. La Plus disease indica un rischio maggiore di danni seri e spesso determina lavvio del trattamento, come la terapia laser o le iniezioni di farmaci. Valutare questi segni a occhio nudo impegnativo, specialmente quando le immagini sono sfocate o quando i neonati necessitano di esami ripetuti settimana dopo settimana. Un sistema in grado di segnalare automaticamente la Plus disease e stimare lo stadio della ROP solo a partire dalle immagini sarebbe uno strumento di supporto potente per i clinici.

Come vede lIA: mappare i vasi dalle foto oculari

I ricercatori hanno costruito una pipeline IA in due fasi usando oltre 6.000 immagini retiniche provenienti da 188 neonati. Per prima cosa hanno addestrato una rete neurale a tracciare una precisa "mappa dei vasi" di ciascuna retina, evidenziando ogni vaso visibile, anche i rami più sottili. Tra diversi modelli di elaborazione delle immagini testati, una versione chiamata U-Net++ si rivelata la migliore nel catturare pattern vascolari dettagliati, specialmente in immagini rumorose o a basso contrasto. Per migliorare la chiarezza, il team ha potenziato ogni foto con filtri per aumentare il contrasto e ridurre il rumore prima della segmentazione. Per la rilevazione della Plus disease hanno poi fornito alla seconda rete neurale soltanto le mappe dei vasinon le foto a colori completeperchla Plus disease definita quasi interamente dallo spessore e dalla curvatura dei vasi.

Addestrare la rete a graduare la gravità della malattia

Per valutare lo stadio della ROP, lIA aveva bisogno di pi dello schema dei vasi. Il sistema ha quindi combinato le immagini retiniche a colori originali con le rispettive mappe dei vasi, offrendo al modello sia la visione dinsieme della retina sia unimmagine più nitida dei suoi vasi. Il team ha testato diversi noti backbone di deep learning e ha rilevato che un modello chiamato EfficientNetB4 offriva il miglior compromesso tra accuratezza ed efficienza. Su immagini di validazione non usate per laddestramento, il rilevatore di Plus disease ha raggiunto unaccuratezza del 99,6 percento, mentre il classificatore degli stadi ha ottenuto il 98 percento di accuratezza per gli Stadi 0 fino al 3. Controlli aggiuntivi, comprese curve precisione-richiamo e curve ROC, hanno mostrato che il modello manteneva alta sensibilit (difficilmente mancava la malattia) e alta specificit (raramente generava falsi allarmi), nonostante la Plus disease fosse molto pi rara rispetto alle immagini normali.

Osservare linterno della "scatola nera"

Poich i clinici devono poter riporre fiducia in qualsiasi strumento che influenzi decisioni terapeutiche, gli autori hanno esplorato come la loro IA prendeva le decisioni. Usando metodi di visualizzazione come t-SNE, hanno mostrato che le immagini di classi diverse (per esempio Plus vs. Normale o Stadio 1 vs. Stadio 3) formavano cluster ben separati nello spazio delle caratteristiche interne del modello. Con tecniche di heat-map chiamate Grad-CAM hanno evidenziato quali parti di ciascuna retina influenzavano maggiormente una predizione. Per la Plus disease il modello si concentrava sulle aree dove i vasi erano abnormemente larghi o tortuosi, in linea con quanto ricercano gli esperti. Per la classificazione degli stadi ha inoltre prestato attenzione ad altre regioni come la papilla ottica e la macula, suggerendo che il suo ragionamento si allineava strettamente ai criteri medici consolidati piuttosto che ad artefatti casuali delle immagini.

Cosa significa per i neonati e le cliniche

In parole semplici, questo lavoro dimostra che un sistema IA progettato con cura pu leggere immagini retiniche di neonati prematuri con accuratezza quasi da esperto, sia per rilevare cambiamenti vascolari pericolosi sia per giudicare lavanzamento della malattia. Lo studio stato condotto in un singolo centro medico e ha incluso solo stadi da iniziali a moderati, quindi sono necessari studi pi ampi multi-ospedalieri e dati da casi pi avanzati. Tuttavia i risultati suggeriscono che, con ulteriore validazione e unintegrazione attenta nelle piattaforme di telemedicina, tali strumenti potrebbero aiutare i sistemi sanitari sovraccarichi a sottoporre a screening molti pi neonati, in modo pi coerente e a costi inferiori. Ci potrebbe significare trattamenti pi precoci e maggiori probabilit di preservare la vista per alcuni dei pazienti pi vulnerabili nelle cure neonatali.

Citazione: Vahidmoghadam, M., Ghorbani, P., Ahmadi, M.J. et al. Automated diagnosis of plus form and early stages of ROP using deep learning models. Sci Rep 16, 7234 (2026). https://doi.org/10.1038/s41598-026-37064-2

Parole chiave: retinopatia del prematuro, intelligenza artificiale, deep learning, imaging medico, malattie oculari neonatali