Un metodo generalizzabile per la rilevazione delle malattie oculari basato sullo Zero-Shot Learning

Perché contano gli avvisi precoci sugli occhi

Molti problemi oculari gravi iniziano con cambiamenti così sottili che anche gli specialisti possono avere difficoltà a individuarli. La retinopatia diabetica lieve, una complicanza precoce del diabete, è uno di questi segnali silenziosi: intercettarla per tempo può prevenire la perdita della vista, ma richiede un’ispezione accurata delle fotografie retiniche e un enorme numero di immagini etichettate da esperti per addestrare gli attuali sistemi di intelligenza artificiale (IA). Questo studio introduce un nuovo tipo di IA che può imparare a individuare malattie precoci anche quando i medici non hanno mai etichettato esempi di quella specifica condizione, aprendo potenzialmente la strada a screening oculari più rapidi e accessibili in tutto il mondo.

Un nuovo modo per insegnare alle macchine senza risposte

I ricercatori si basano su un concetto chiamato zero-shot learning, in cui un sistema IA impara a riconoscere qualcosa di nuovo senza aver visto esempi etichettati in precedenza. Invece di memorizzare etichette di malattia, il sistema imita il modo di ragionare dei clinici: cerca malattie correlate che condividono schemi visivi e trasferisce ciò che apprende da esse. Nel lavoro qui descritto il gruppo si è concentrato sulla retinopatia diabetica lieve (DR1) ma ha addestrato il metodo senza una singola immagine DR1 etichettata come tale. Hanno invece assemblato una risorsa massiccia di fotografie retiniche, chiamata dataset LCFP-14M, integrando oltre un milione di immagini e undici categorie di malattie oculari tratte da molti database pubblici. Questa ricca mescolanza di immagini fornisce l’“esperienza” visiva da cui l’IA può dedurre i pattern di malattia.

Trovare una malattia somigliante

Per capire da dove attingere conoscenza, il primo passo del sistema è misurare quanto diverse malattie oculari si somiglino tra loro. Il team ha utilizzato una rete neurale Siamese, una coppia di modelli IA identici che ispezionano due immagini retiniche alla volta e imparano a dire se probabilmente appartengono alla stessa malattia. Comparando migliaia di coppie di immagini, il modello ha costruito una mappa di quanto undici malattie assomiglino alla retinopatia diabetica lieve. Ha scoperto che la miopia degenerativa, una condizione che comporta l’allungamento e il diradamento della parte posteriore dell’occhio, produce immagini retiniche più fortemente correlate con quei cambiamenti diabetici precoci. In termini umani, la miopia degenerativa è diventata la “parente più prossima” in grado di insegnare al sistema cosa osservare.

Insegnare al sistema come appaiono le piccole lesioni

Una volta trovata una malattia “insegnante” adatta, il compito successivo è stato mostrare all’IA quali punti specifici della retina sono più importanti per il danno diabetico precoce. Usando un secondo modello chiamato U-Net, i ricercatori hanno addestrato un sistema di segmentazione su dataset consolidati in cui gli esperti avevano segnato tre segni chiave: piccole protuberanze nei vasi chiamate microaneurismi, emorragie minori e pallidi punti di cotone (cotton wool spots). Sebbene non tutti siano unici dello stadio lieve, insieme tracciano una via precoce di danno nella circolazione retinica. U-Net ha imparato a evidenziare proprio queste lesioni nelle immagini, trasformando fotografie grezze in mappe focalizzate dove i segnali di allarme principali risaltano mentre i dettagli meno rilevanti sfumano nello sfondo.

Clustering della malattia non vista in sano e non-sano

Con questa visione focalizzata sulle lesioni, il sistema ha poi elaborato immagini di pazienti con miopia degenerativa, ma con lesioni in stile diabetico messe in evidenza e artefatti specifici della malattia soppressi. Un terzo modello, basato su una rete ResNet combinata con un algoritmo di clustering agglomerativo, ha convertito queste immagini segmentate in descrizioni numeriche compatte e le ha raggruppate in due cluster naturali. Crucialmente, l’algoritmo ha fatto questo senza alcuna etichetta che gli dicesse quali occhi fossero sani o malati; ha semplicemente organizzato le immagini in base a schemi visivi condivisi. Quando il team ha poi confrontato questi cluster con le etichette cliniche reali su un set di test indipendente, un cluster si è allineato con DR1 e l’altro con occhi non malati, mostrando che l’IA aveva effettivamente “scoperto” la retinopatia diabetica lieve da sola.

Quanto bene si comporta il nuovo approccio

Per valutare se questo sistema zero-shot fosse praticamente utile, i ricercatori lo hanno confrontato con modelli di deep learning più convenzionali “few-shot” ai quali era stato permesso di vedere un piccolo numero di esempi etichettati. Hanno testato architetture popolari come ResNet, VGG, MobileNet e AlexNet, tutte addestrate su quantità limitate di dati etichettati e poi valutate su un dataset esterno chiamato EyePACS. Il modello zero-shot, nonostante non avesse mai visto immagini DR1 etichettate durante l’addestramento, ha raggiunto un’accuratezza di circa l’83% e un elevato punteggio area sotto la curva, superando la maggior parte di questi concorrenti supervisionati—soprattutto in precisione, cioè gli occhi che segnalava come malati erano di solito effettivamente a rischio. Esperimenti di ablazione, in cui singoli componenti venivano rimossi, hanno confermato che sia il passaggio di similarità tra malattie sia quello di segmentazione delle lesioni erano essenziali per questa solida performance.

Cosa significa per la cura degli occhi in futuro

In termini pratici, questo lavoro dimostra che un’IA può imparare a rilevare i danni oculari diabetici precoci “ragionando per analogia” a partire da malattie correlate e indizi visivi definiti da esperti, anziché fare affidamento su migliaia di esempi etichettati a mano della precisa condizione di interesse. Ciò potrebbe rappresentare una svolta per i programmi di screening in parti del mondo dove l’etichettatura esperta è costosa o rara, o per malattie oculari recentemente riconosciute che mancano di grandi dataset curati. Pur affrontando ancora sfide — come l’estensione oltre le fotografie del fundus ad altre tecnologie di imaging e il rendere le sue decisioni più trasparenti per medici e pazienti — il metodo indica un futuro in cui le macchine aiutano i clinici a individuare precocemente malattie oculari sottili, usando molti meno dati etichettati di quelli richiesti dagli attuali sistemi.

Citazione: Pan, C., Wang, Y., Jiang, Y. et al. A generalizable eye disease detection method based on Zero-Shot Learning. Commun Med 6, 249 (2026). https://doi.org/10.1038/s43856-026-01439-3

Parole chiave: retinopatia diabetica, imaging retinico, zero-shot learning, IA medica, screening delle malattie oculari