Un quadro clinico adattivo a tempo di test per rilevare più malattie del fondo oculare sfruttando modelli fondamentali oftalmici

Perché uno screening oculare più intelligente è importante

Milioni di persone nel mondo rischiano di perdere la vista a causa di condizioni come il diabete, il glaucoma e i cambiamenti legati all’età nella parte posteriore dell’occhio. I medici possono individuare molti di questi problemi nelle fotografie dell’interno dell’occhio, chiamate immagini del fondo, ma controllare attentamente ogni immagine richiede tempo, soprattutto quando più malattie possono presentarsi contemporaneamente. Questo studio presenta RetExpert, un nuovo sistema di intelligenza artificiale (IA) progettato per comportarsi come uno specialista oculare versatile: può eseguire lo screening di numerose malattie retiniche contemporaneamente, gestire dati clinici disordinati e adattarsi al volo a cliniche e camere diverse.

Rilevare molte problematiche dell’occhio contemporaneamente

I tipici strumenti di IA per lo screening oculare sono addestrati per rilevare una sola malattia alla volta e spesso assumono che le immagini saranno molto simili a quelle usate durante l’addestramento. Le cliniche reali sono diverse. I pazienti frequentemente presentano più di una condizione oculare, le etichette diagnostiche nei dataset sono incomplete e le camere e le popolazioni variano da sito a sito. RetExpert affronta questo problema basandosi sui “modelli fondamentali”, grandi sistemi visivi inizialmente addestrati su enormi raccolte di immagini retiniche. Questi modelli fondamentali comprendono già i pattern comuni nelle fotografie del fondo, come vasi sanguigni, nervo ottico e macula. RetExpert trasforma i blocchi di tale modello in “unità di conoscenza adattive” e aggiunge piccoli strati adattatori che possono essere affinati per lo screening multi-patologia senza perturbare le conoscenze preziose già apprese.

Sfruttare meglio dati disomogenei e incerti

I dati medici reali tendono a essere sbilanciati: malattie comuni come la retinopatia diabetica compaiono molto più spesso rispetto a disturbi rari. Se addestrata in modo ingenuo, l’IA si concentrerà eccessivamente sulle condizioni frequenti trascurando quelle insolite ma importanti. RetExpert utilizza un approccio di addestramento che presta attenzione extra alle malattie sottorappresentate così che le prestazioni non crollino sui riscontri rari. Il sistema riconosce anche che alcune predizioni sono naturalmente più incerte di altre. Invece di produrre un unico punteggio di confidenza complessivo, RetExpert stima punteggi di incertezza separati per ciascuna malattia che deve rilevare. Questa visione malattia-per-malattia è più vicina al modo di pensare dei clinici e permette al modello di trattare le predizioni fragili con cautela durante le fasi successive di adattamento.

Ridurre le confusione tra malattie simili

In pratica, alcune malattie retiniche possono assomigliarsi, e può essere particolarmente dannoso se un modello di IA fornisce con sicurezza risposte contraddittorie — per esempio definendo la stessa immagine sia “normale” sia “degenerazione maculare”. Per affrontare questo, gli autori hanno costruito una matrice di co‑occorrenza delle malattie del fondo, un sommario strutturato di quanto sia probabile che coppie di malattie compaiano insieme basato su conoscenze mediche e statistiche. Durante l’addestramento, RetExpert impara ad allineare le sue probabilità di output con queste relazioni di senso medico. Il team ha anche introdotto un “punteggio di confusione” che misura la frequenza con cui il modello confonde coppie di malattie specifiche. Con l’informazione di co‑occorrenza in atto, le confusioni tra coppie problematiche, come degenerazione maculare e miopia elevata, sono diminuite di oltre un terzo, rendendo le predizioni più affidabili per l’uso clinico.

Adattarsi al tempo di test

Uno dei maggiori ostacoli alla diffusione dell’IA negli ospedali è lo “spostamento di dominio”: le immagini provenienti da una nuova clinica possono differire a causa di gruppi di pazienti diversi, tipi di macchina diverse o impostazioni di acquisizione differenti. I sistemi convenzionali devono essere riaddestrati o sottoposti a estesi affinamenti ogni volta che vengono spostati in un nuovo ambiente, il che è costoso e lento. RetExpert invece esegue un adattamento leggero durante l’uso. Quando incontra un lotto di nuove immagini, aggiusta brevemente solo i suoi piccoli strati adattatori e la testa decisionale finale, guidato prima da quanto sono stabili le sue caratteristiche interne e poi da pseudo‑etichette pesate dalle stime di incertezza per ciascuna malattia. Crucialmente, questi aggiornamenti sono temporanei e vengono ripristinati dopo ogni lotto, così il modello di base non deriva nel tempo, preservando sicurezza e riproducibilità pur guadagnando flessibilità a breve termine.

Quanto funziona nel mondo reale?

Gli autori hanno testato RetExpert su due grandi dataset multi‑patologia usati per lo sviluppo e poi su altri 15 dataset pubblici e privati raccolti in diversi paesi, con camere e contesti clinici differenti. Nella maggior parte dei compiti — inclusi il rilevamento della retinopatia diabetica, della degenerazione maculare legata all’età, del glaucoma, dei cambiamenti miopici e della toxoplasmosi oculare — RetExpert ha eguagliato o superato le prestazioni dei principali modelli fondamentali retinici attuali. Ha mostrato anche maggiore affidabilità, con punteggi di confusione più bassi e risultati più robusti su dataset difficili “out‑of‑distribution” che simulano nuovi ospedali e dispositivi. Sebbene i sistemi altamente specializzati per una singola malattia possano ancora essere leggermente migliori per quel singolo caso, RetExpert riduce il divario offrendo allo stesso tempo una copertura ampia multi‑patologia in un unico strumento unificato.

Un passo verso controlli oculari automatizzati affidabili

In termini pratici, RetExpert è come un medico oculista generale esperto costruito su una grande base di conoscenza condivisa, dotato di strumenti per gestire malattie rare, riconoscere quando è insicuro e adattarsi rapidamente a nuove cliniche senza continui riaddestramenti. Combinando questi elementi — moduli adattivi, apprendimento consapevole dell’incertezza, conoscenze mediche a priori e adattamento al tempo di test — il quadro fornisce uno screening multi‑patologia più accurato e attendibile a partire da semplici fotografie a colori del fondo oculare. Se sviluppati e validati ulteriormente, tali sistemi potrebbero favorire la rilevazione precoce su larga scala di condizioni che minacciano la vista, specialmente in contesti dove l’accesso a specialisti oculisti è limitato.

Citazione: Jiang, H., Liu, Z., Gao, M. et al. A test-time clinically adaptive framework for detecting multiple fundus diseases harnessing ophthalmic foundation models. npj Digit. Med. 9, 300 (2026). https://doi.org/10.1038/s41746-026-02480-1

Parole chiave: imaging retinico, IA medica, screening multi-patologia, modelli fondamentali, adattamento del dominio