Diagnóstico automático da degeneração macular relacionada à idade usando aprendizado de máquina e técnicas de processamento de imagem

Por que isso importa para a sua visão

À medida que as pessoas vivem mais, um número maior de nós enfrenta a degeneração macular relacionada à idade (DMRI), uma doença que corrói lentamente a visão central e pode tornar leitura, direção ou o reconhecimento de rostos difíceis ou impossíveis. Oftalmologistas conseguem detectar sinais precoces em fotografias da parte de trás do olho, mas fazer isso manualmente para milhares de pacientes é demorado e exige especialistas. Este estudo explora como uma ferramenta transparente baseada em aprendizado de máquina pode ajudar a identificar a DMRI cedo a partir de fotos oftalmológicas de rotina, sem depender de caixas‑pretas profundas e frágeis de deep learning difíceis de explicar.

Procurando problemas na zona de visão nítida do olho

A DMRI ataca a mácula, uma pequena mancha escura perto do centro da retina que fornece visão nítida e detalhada. Muitos sistemas automatizados tentam encontrar depósitos gordurosos minúsculos chamados drusas em imagens de toda a retina, mas drusas podem ser facilmente confundidas com outras manchas claras, como pequenos sangramentos, e variam muito em forma e tamanho. Isso as torna difíceis de detectar de forma confiável por computador, e mesmo especialistas precisam gastar tempo verificando cuidadosamente os resultados. Os autores seguem um caminho diferente: em vez de caçar drusas por toda a retina, eles se concentram na própria região macular e medem como sua textura e cor mudam quando a DMRI está presente.

Da foto bruta à "impressão digital" da mácula

O sistema começa com uma fotografia colorida da parte de trás do olho, chamada imagem de fundo de olho (fundus). Primeiro aumenta o contraste usando etapas padrão de processamento de imagem, de modo que áreas escuras e claras fiquem mais fáceis de distinguir. Em seguida, localiza automaticamente o disco óptico — a área circular brilhante onde os nervos saem do olho — e usa sua relação geométrica conhecida com a mácula para procurar ao longo de uma faixa estreita da imagem a região mais escura que se ajusta ao tamanho e à posição esperados da mácula. Em torno desse ponto, o sistema recorta um pequeno retângulo: esta é a região de interesse, contendo o tecido mais provável de revelar danos iniciais relacionados à DMRI.

Transformando padrões e cores em números

Dentro desse patch macular, os pesquisadores calculam um grande conjunto de descritores numéricos, ou "features artesanais". As features de textura capturam como as intensidades dos pixels estão organizadas — se a superfície parece lisa, salpicada ou irregular — enquanto as features de cor capturam variações de brilho e matiz que podem refletir mudanças na pigmentação e na saúde do tecido. Ao todo, são medidos 140 valores de textura e 48 valores de cor para cada imagem ocular. Como nem todos esses números são igualmente úteis, a equipe aplica testes estatísticos e um método de ranqueamento de features para selecionar um subconjunto menor que melhor separa olhos saudáveis e com DMRI, eliminando medidas redundantes ou ruidosas.

Treinando as máquinas para dizer "DMRI" ou "normal"

Com essas features selecionadas em mãos, os autores treinam vários classificadores de aprendizado de máquina bem conhecidos — Máquina de Vetores de Suporte (SVM), k‑Nearest Neighbor, Naïve Bayes e uma rede neural simples — para aprender a diferença entre olhos normais e afetados pela DMRI. Eles utilizam duas coleções públicas de imagens retinianas: o conjunto STARE, que inclui 35 imagens normais e 74 com DMRI, e o maior conjunto ODIR, com centenas de casos rotulados. Para testar a confiabilidade, dividem repetidamente cada conjunto em porções de treino e teste, rodando pelas imagens de forma que cada olho sirva como teste pelo menos uma vez, e então medem acurácia, taxa de erro e com que frequência a DMRI é corretamente detectada.

Resultados claros e raciocínio mais transparente

Em todos os testes, o classificador SVM usando features de textura da região macular se destaca. No conjunto STARE, ele distingue corretamente DMRI de olhos normais em quase 99% dos casos; no ODIR, a acurácia fica em torno de 95%. A informação de textura se mostra mais poderosa que a cor isoladamente, e combinar ambos os tipos de features não supera o desempenho da textura sozinha. Enquanto alguns sistemas de deep learning na literatura atingem pontuações comparáveis ou ligeiramente superiores, eles exigem grandes quantidades de dados rotulados e oferecem pouca visão sobre quais pistas da imagem utilizam. Em contraste, as features artesanais de textura e cor deste estudo correspondem a estruturas reconhecíveis da retina, tornando o sistema mais interpretável para os clínicos.

O que isso significa para os pacientes

Em termos práticos, o estudo mostra que um programa de computador relativamente simples e transparente pode olhar uma foto oftalmológica padrão, ampliar a mácula e — com alta confiabilidade — sinalizar se a DMRI provavelmente está presente, sem primeiro tentar traçar cada pequeno depósito. Uma ferramenta assim poderia ajudar clínicas oftalmológicas e programas de triagem a classificar rapidamente grande número de imagens, garantindo que pacientes com doença inicial sejam vistos por especialistas mais cedo, além de oferecer aos médicos uma visão mais clara dos padrões visuais que a máquina usa para tomar sua decisão.

Citação: Agarwal, D., Bhargava, A., Alsharif, M.H. et al. Automatic diagnosis of age-related macular degeneration using machine learning and image processing techniques. Sci Rep 16, 5037 (2026). https://doi.org/10.1038/s41598-026-35428-2

Palavras-chave: degeneração macular relacionada à idade, imagens da retina, aprendizado de máquina, detecção precoce de doenças, análise de imagem médica