Diagnóstico automatizado da forma Plus e dos estágios iniciais de ROP usando modelos de deep learning

Por que olhos minúsculos e computadores inteligentes importam

Cada ano, milhares de bebês prematuros correm o risco de perder a visão porque os vasos sanguíneos na parte posterior dos olhos não se desenvolvem normalmente, uma condição chamada retinopatia da prematuridade (ROP). Detectar esse problema precocemente pode salvar a visão, mas exige exames oftalmológicos frequentes realizados por especialistas altamente treinados — profissionais que faltam em muitas regiões do mundo. Este estudo explora como a inteligência artificial (IA) moderna pode ajudar médicos a identificar sinais de alerta em fotografias da retina, potencialmente levando triagem em nível de especialista a hospitais e clínicas que não dispõem de atendimento oftalmológico especializado.

O problema: visão frágil nos pacientes mais frágeis

A ROP se desenvolve quando o nascimento prematuro interrompe o crescimento normal dos vasos sanguíneos na retina, a camada sensível à luz na parte posterior do olho. Bebês nascidos muito cedo ou com peso muito baixo ao nascer têm o maior risco. Em casos leves, o olho se recupera sozinho. Em casos graves, vasos anormais podem tracionar a retina e causar cegueira permanente. Em todo o mundo, estima-se que a ROP provoque cegueira em cerca de 50.000 pessoas, especialmente em regiões onde os cuidados neonatais melhoraram a sobrevida, mas os programas de triagem ocular e os especialistas não acompanharam esse avanço. A triagem atual é trabalhosa, cara e subjetiva: dois especialistas às vezes discordam sobre a gravidade real da doença de um bebê.

O que os médicos procuram: vasos tortuosos e estágios iniciais

Os oftalmologistas avaliam a ROP usando duas pistas principais em imagens da retina. Uma é o estágio geral da doença, do Estágio 0 (sem alterações visíveis) até os estágios iniciais problemáticos (1–3). A outra é a chamada “Plus disease”, um sinal de alerta em que os vasos retinianos ficam anormalmente dilatados e tortuosos. A Plus disease indica maior risco de dano sério e frequentemente desencadeia tratamentos como terapia a laser ou injeções de medicamentos. Avaliar essas características visualmente é desafiador, especialmente quando as imagens estão borradas ou quando os bebês precisam de exames repetidos semana após semana. Um sistema capaz de sinalizar automaticamente a Plus disease e estimar o estágio da ROP a partir das imagens seria uma ferramenta de suporte poderosa para os clínicos.

Como a IA enxerga: mapeando vasos a partir de fotos oculares

Os pesquisadores construíram um pipeline de IA em duas etapas usando mais de 6.000 imagens de retina de 188 lactentes. Primeiro, treinaram uma rede neural para traçar um “mapa de vasos” preciso de cada retina, destacando todo vaso visível, inclusive os ramos mais finos. Entre vários modelos de processamento de imagem concorrentes, uma versão chamada U-Net++ foi a que melhor capturou padrões detalhados dos vasos, especialmente em imagens com ruído ou baixo contraste. Para melhorar a clareza, a equipe aprimorou cada foto com filtros de aumento de contraste e redução de ruído antes da segmentação. Para a detecção de Plus disease, eles então alimentaram apenas os mapas de vasos — não as fotos coloridas completas — em uma segunda rede neural, porque a Plus disease é definida quase inteiramente pela espessura e curvatura dos vasos.

Treinando a rede para classificar a gravidade da doença

Para julgar o estágio da ROP, a IA precisava de algo além da forma dos vasos. O sistema, portanto, combinou as imagens coloridas originais da retina com seus mapas de vasos correspondentes, dando ao modelo tanto a visão geral da retina quanto um foco aprimorado nos vasos. A equipe testou várias arquiteturas de deep learning conhecidas e constatou que um modelo chamado EfficientNetB4 ofereceu o melhor equilíbrio entre acurácia e eficiência. Em imagens de validação mantidas à parte, o detector de Plus disease alcançou uma precisão de 99,6%, enquanto o classificador de estágios obteve 98% de acurácia nos Estágios 0 a 3. Verificações adicionais, incluindo curvas de precisão–recall e curvas ROC, mostraram que o modelo manteve alta sensibilidade (raramente perdendo a doença) e alta especificidade (raramente gerando alarmes falsos), mesmo com a Plus disease sendo muito mais rara que imagens normais.

Olhando dentro da “caixa-preta”

Como os clínicos precisam confiar em qualquer ferramenta que influencie decisões de tratamento, os autores investigaram como sua IA chegava às escolhas. Usando métodos de visualização como t-SNE, mostraram que imagens de classes diferentes (por exemplo, Plus vs. Normal ou Estágio 1 vs. Estágio 3) formavam aglomerados bem separados no espaço de características interno do modelo. Com técnicas de mapa de calor chamadas Grad-CAM, destacaram quais partes de cada retina mais influenciaram uma predição. Para a Plus disease, o modelo concentrou-se em áreas onde os vasos estavam anormalmente largos ou tortuosos, correspondendo ao que os especialistas procuram. Para a classificação de estágios, também deu atenção a outras regiões, como o disco óptico e a mácula, sugerindo que seu raciocínio alinhava-se de perto com critérios médicos estabelecidos em vez de artefatos espúrios da imagem.

O que isso significa para bebês e clínicas

Em termos simples, este trabalho mostra que um sistema de IA bem projetado pode ler imagens da retina de bebês prematuros com precisão próxima à de especialistas, tanto para detectar alterações perigosas nos vasos quanto para avaliar o avanço da doença. O estudo foi conduzido em um único centro médico e incluiu apenas estágios de leves a moderados, de modo que ensaios multicêntricos maiores e dados de casos mais avançados ainda são necessários. Ainda assim, os resultados sugerem que, com validação adicional e integração cuidadosa em plataformas de telemedicina, tais ferramentas poderiam ajudar sistemas de saúde sobrecarregados a rastrear muito mais lactentes, de forma mais consistente e a menor custo. Isso pode significar tratamento mais precoce e maior chance de preservação da visão para alguns dos pacientes mais vulneráveis nos cuidados neonatais.

Citação: Vahidmoghadam, M., Ghorbani, P., Ahmadi, M.J. et al. Automated diagnosis of plus form and early stages of ROP using deep learning models. Sci Rep 16, 7234 (2026). https://doi.org/10.1038/s41598-026-37064-2

Palavras-chave: retinopatia da prematuridade, inteligência artificial, aprendizado profundo, imagens médicas, doença ocular neonatal