Detecção assistida por IA de anomalias estruturais dos nervos da córnea em queratopatia diabética precoce: desenvolvimento e validação de uma estrutura de deep learning

Por que nervos minúsculos do olho importam no diabetes

O diabetes é bem conhecido por danificar nervos grandes nos pés e nas pernas, frequentemente levando a dor, dormência e até amputações. Mas muito antes desse dano se tornar óbvio, os menores nervos do corpo podem começar a funcionar mal. A janela clara na frente do olho — a córnea — está repleta dessas fibras minúsculas. Este estudo mostra como imagens avançadas e inteligência artificial (IA) podem trabalhar juntas para detectar precocemente danos nos nervos da córnea, oferecendo possivelmente uma nova maneira indolor de identificar problemas nervosos em pessoas com diabetes antes que se tornem graves.

Detectando danos nervosos precoces através do olho

Os testes atuais para dano nervoso diabético estão longe de ser perfeitos. Verificações simples à beira do leito dependem da habilidade do médico e das respostas do paciente, e frequentemente deixam passar mudanças sutis e iniciais. Testes mais precisos, como estudos de condução nervosa ou biópsias de pele, são invasivos, caros e pouco práticos para triagem rotineira. A córnea, contudo, pode ser examinada de forma não invasiva usando microscopia confocal in vivo, uma câmera especializada que captura imagens altamente ampliadas dos nervos corneanos. Pesquisadores já demonstraram que a perda global desses nervos acompanha a gravidade da neuropatia diabética. Mas os primeiros sinais de alerta nem sempre se referem à quantidade de nervos; podem ser defeitos estruturais minúsculos ao longo de fibras aparentemente intactas.

Focando em pontos minúsculos chamados microneuromas

Nos últimos anos, médicos usando microscópios de alta potência observaram pequenos pontos brilhantes e inchados ao longo dos nervos corneanos em pessoas com diabetes. Esses “microneuromas” são considerados reflexo de terminações nervosas estressadas ou em regeneração e podem aparecer antes de grandes áreas de perda nervosa. A equipe por trás deste estudo propôs ensinar um computador a reconhecer automaticamente essas características sutis. Eles reuniram mais de 5.000 imagens corneanas de pessoas com diabetes e voluntários saudáveis em dois centros oftalmológicos na China. Especialistas em córnea experientes filtraram cuidadosamente imagens de baixa qualidade, rotularam onde microneuromas estavam presentes e as classificaram em três padrões visíveis: inchaços localizados, ampliações maiores em forma de bulbo e manchas brilhantes mais difusas.

Treinando um assistente de IA para interpretar imagens de nervos

Usando essas imagens rotuladas por especialistas, os pesquisadores construíram um sistema de deep learning em várias etapas. Primeiro, um modelo de IA filtrou imagens borradas ou fora de alvo, mantendo apenas as que mostravam claramente a camada nervosa chave. Um segundo modelo avaliou se uma imagem continha microneuromas ou não. Um terceiro delineou as regiões exatas onde essas lesões apareciam, e três modelos adicionais as categorizaram nos três tipos visuais. O sistema foi treinado com dados de um hospital e então testado tanto em imagens não vistas do mesmo centro quanto em um conjunto totalmente independente de outro hospital, para verificar se funcionava de forma confiável em diferentes grupos de pacientes e sessões de imagem.

Desempenho da IA na prática

A IA mostrou-se altamente precisa no controle básico de qualidade, julgando corretamente imagens utilizáveis em mais de 97% das ocasiões. Ao decidir se microneuromas estavam presentes, classificou corretamente as imagens em cerca de 81–84% das vezes, tanto nos conjuntos de teste internos quanto externos. Sua capacidade de segmentar e subtipar as lesões também foi forte, com desempenho permanecendo razoavelmente alto mesmo nos dados do segundo centro. Para ver se isso importava na leitura no mundo real, a equipe pediu a oftalmologistas juniores — com pouca formação formal nessa técnica de imagem — que lessem um conjunto separado de 150 imagens primeiro por conta própria e depois com suporte da IA. Com a orientação da IA, sua acurácia diagnóstica saltou de cerca de 69% para 88%, e o tempo médio de leitura por imagem foi reduzido pela metade ou mais, sugerindo que tais ferramentas poderiam acelerar clínicas e reduzir a fadiga visual dos clínicos.

O que isso pode significar para pessoas com diabetes

Este estudo demonstra que um sistema de IA cuidadosamente treinado pode localizar e descrever automaticamente pequenas anomalias nervosas na córnea, e que isso pode ajudar substancialmente médicos menos experientes a interpretar exames oftalmológicos complexos. Embora a pesquisa ainda seja inicial e baseada em dados retrospectivos de dois centros, ela fortalece a ideia de que a superfície ocular pode agir como uma “janela” para a saúde dos pequenos nervos do corpo. Se estudos futuros, multicêntricos e de longo prazo confirmarem que microneuromas corneanos sinalizam de forma confiável dano nervoso diabético precoce, esse tipo de imagem assistida por IA poderia tornar-se uma forma rápida e não invasiva de rastrear pessoas com diabetes, monitorar a progressão e talvez intervir antes que a lesão nervosa se torne permanente.

Citação: Pan, J., Shi, X., Wan, L. et al. AI-Assisted detection of corneal nerve structural abnormalities in early diabetic keratopathy: development and validation of a deep learning framework. Sci Rep 16, 5846 (2026). https://doi.org/10.1038/s41598-026-36576-1

Palavras-chave: neuropatia diabética, nervos da córnea, microneuromas, deep learning, microscopia confocal in vivo