Um conjunto de imagens fundoscópicas para um sistema inteligente de retinopatia diabética

Por que isso importa para pessoas com diabetes

O diabetes pode danificar os olhos silenciosamente muito antes de a visão começar a ficar turva. Este artigo descreve uma nova coleção de imagens projetada para ajudar computadores a identificar essas alterações oculares ocultas mais cedo e com maior confiança, usando uma vista mais ampla da retina do que a maioria das ferramentas atuais oferece.

Vendo mais da parte de trás do olho

A doença ocular diabética prejudica os pequenos vasos sanguíneos na parte de trás do olho e é uma das principais causas de perda permanente de visão em adultos em idade ativa. Fotografias regulares do olho já são usadas para procurar problemas, mas elas capturam apenas uma pequena área central. Sinais de alerta importantes costumam aparecer nas bordas da retina, onde câmeras tradicionais podem simplesmente não alcançá-los. A imagem de campo ultra amplo resolve isso ao capturar até cinco vezes mais área em uma única tomada, incluindo os cantos distantes onde danos iniciais e novos vasos frágeis podem surgir.

Construindo uma biblioteca rica de imagens para ferramentas inteligentes

Para aproveitar ao máximo essa vista mais ampla, os programas de computador precisam de conjuntos grandes e bem organizados de imagens para aprender. Os autores coletaram 1.630 fotografias oculares de campo ultra amplo de 809 pacientes em dois hospitais na China. Todas as pessoas no estudo tinham diabetes, e a idade média foi de cerca de 54 anos. As imagens foram obtidas com uma câmera especial que não requer colírios para dilatar a pupila, tornando o exame mais rápido e confortável. Imagens de baixa qualidade com desfoque ou áreas faltantes foram removidas para que permanecessem apenas visões claras da retina, dos vasos sanguíneos e de possíveis lesões.

Como os especialistas ensinaram o computador

Três oftalmologistas experientes examinaram cuidadosamente cada imagem e as classificaram em três grupos: olhos normais, olhos com danos leves a moderados e olhos com danos avançados. Eles seguiram normas internacionais para gradação da doença ocular diabética, mas os autores observam que algum desacordo entre médicos ainda é esperado, especialmente ao decidir se mudanças muito leves devem ser consideradas normais ou doença inicial. As decisões finais foram registradas em pastas e tabelas simples que listam cada imagem e seu grupo, criando um ponto de partida acessível para outras equipes de pesquisa.

Testando o conjunto de dados

Em seguida, a equipe verificou quão útil essa biblioteca de imagens é para treinar inteligência artificial. Eles dividiram as imagens em conjuntos de treinamento, validação e teste e executaram quatro modelos de deep learning bem conhecidos para classificar os três estágios da doença. Antes do treinamento, cortaram e padronizaram as imagens e usaram truques simples como flips aleatórios para ajudar os modelos a generalizar. Nas imagens de teste reservadas, todos os modelos alcançaram pontuações fortes em várias medidas de acurácia, com um modelo em particular apresentando o melhor desempenho. Mapas de calor gerados pelos modelos destacaram pequenas saliências nos vasos sanguíneos e membranas com aspecto de cicatriz, sugerindo que os algoritmos focaram nas mesmas áreas que os médicos consideram importantes.

Ajudando mais pessoas a preservar a visão

Esse novo conjunto aberto de dados oferece uma visão de alta qualidade e ângulo amplo da doença ocular diabética para qualquer pessoa desenvolvendo ferramentas inteligentes de triagem. Ao combinar imagens de campo ultra amplo com inteligência artificial, sistemas futuros poderão cobrir mais da retina, deixar de perder menos alterações perigosas e exigir menos tempo da equipe. Embora esse conjunto de dados por si só não possa substituir o cuidado oftalmológico regular, ele estabelece a base para uma triagem assistida por computador mais confiável e amplamente disponível que pode ajudar a reduzir a cegueira causada pelo diabetes, especialmente em clínicas com recursos limitados.

Citação: 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

Palavras-chave: retinopatia diabética, imagemagem retinal, campo ultra amplo, IA médica, triagem ocular