Valutazione basata sull’intelligenza artificiale della risposta al trattamento nella degenerazione maculare umida correlata all’età utilizzando angiografia OCT accoppiata

Perché questo conta per la vista

La degenerazione maculare correlata all’età è una delle principali cause di perdita della vista negli adulti anziani, e molte persone ricevono iniezioni oculari ripetute per tenere la malattia sotto controllo. I medici si basano sulle scansioni oculari per decidere se il trattamento sta funzionando, ma l’interpretazione di queste immagini è difficile e può variare da uno specialista all’altro. Questo studio esplora come l’intelligenza artificiale possa aiutare a giudicare il successo del trattamento in modo più coerente, utilizzando un tipo più recente di scansione oculare che mappa i piccoli vasi nel retro dell’occhio.

Vedere il flusso sanguigno senza colorante

Per anni, gli specialisti hanno utilizzato imaging con colorante per individuare vasi anomali che minacciano la visione centrale. Più recentemente, la tomografia a coerenza ottica e la sua derivazione, l’angiografia OCT, hanno permesso ai medici di vedere sottili strati della retina e il suo flusso sanguigno senza una puntura. Queste scansioni possono mostrare come i vasi anomali crescono, si riducono o cambiano forma durante il trattamento, ma i pattern sono spesso sottili e non sempre corrispondono a segni evidenti di malattia attiva come liquido o sanguinamento. Di conseguenza, giudicare se un ciclo di iniezioni abbia realmente migliorato l’occhio, non abbia avuto effetto, o abbia permesso il peggioramento della malattia può richiedere tempo ed essere soggettivo.

Allenare un secondo parere digitale

I ricercatori hanno raccolto oltre mille coppie di immagini di angiografia OCT da persone con la forma umida della degenerazione maculare. Ogni coppia mostrava lo stesso occhio prima e dopo una serie di iniezioni anti-VEGF, una terapia farmacologica standard che rallenta la crescita dei vasi anomali. Scansioni tomografiche separate e i cambiamenti nella visione sono stati usati per decidere se ogni ciclo di trattamento avesse chiaramente migliorato l’occhio, lo avesse lasciato essenzialmente invariato o lo avesse peggiorato. Queste etichette di esperti hanno servito come standard di riferimento per insegnare a un sistema di deep learning a classificare nuove coppie di immagini nelle stesse tre categorie.

Come il computer legge le scansioni

Il team ha costruito un modello con due rami paralleli, uno per la scansione pre-trattamento e uno per la scansione post-trattamento. Per ciascun momento temporale, il sistema ha esaminato diversi strati della retina e della coroide catturati come viste piatte dall’alto. Ha prima imparato a estrarre caratteristiche visive complesse da ogni scansione, come la densità vascolare e i modelli di ramificazione, quindi ha combinato le informazioni di entrambi i tempi per produrre un unico giudizio di migliorato, invariato o peggiorato. Le immagini sono state suddivise casualmente in modo che alcune coppie fossero usate per addestrare il modello, altre per perfezionarlo e un set separato venisse trattenuto per il test finale.

Confrontare il computer con gli esperti

Sul set di test indipendente, il sistema di intelligenza artificiale ha classificato correttamente la risposta al trattamento in circa otto casi su dieci, con prestazioni particolarmente solide nell’individuare i miglioramenti. Due esperti di retina hanno rivisto le stesse coppie di immagini senza accesso ad altri dati clinici. La loro accuratezza combinata si è avvicinata a sei su dieci, e hanno avuto maggiori difficoltà nei casi in cui la malattia era stabile piuttosto che chiaramente migliorata o peggiorata. L’analisi statistica ha mostrato che i valutatori umani avevano quasi tre volte più probabilità rispetto al modello di giudicare erroneamente se un ciclo di trattamento avesse aiutato, non avesse avuto effetto o fosse fallito, evidenziando quanto possa essere difficile interpretare queste scansioni a occhio nudo.

Cosa potrebbe significare per i pazienti

Lo studio suggerisce che un sistema di intelligenza artificiale accuratamente addestrato può fungere da lettore coerente delle scansioni vascolari accoppiate, offrendo una visione obiettiva di come i vasi anomali nella degenerazione maculare rispondono al trattamento. Pur non sostituendo i medici, tali strumenti potrebbero servire da ausilio decisionale, rilevando cambiamenti sottili, riducendo le discordie tra esperti e aiutando a personalizzare con maggiore precisione i percorsi di iniezione. A lungo termine, questo approccio potrebbe supportare cure più personalizzate e un uso migliore di farmaci nuovi ed esistenti per preservare la vista delle persone affette da questa comune malattia oculare.

Citazione: Morsy, M.S., Dutta, N.A., Eldessouky, E.I. et al. Artificial intelligence based assessment of treatment response in wet age related macular degeneration using paired OCT angiography. Sci Rep 16, 15405 (2026). https://doi.org/10.1038/s41598-026-42999-7

Parole chiave: degenerazione maculare correlata all’età, angiografia a tomografia a coerenza ottica, intelligenza artificiale, risposta al trattamento, imaging retinico