Utilizando tomografia de coerência óptica e aprendizado de máquina para identificar anomalias visuais em pacientes pediátricos com neurofibromatose tipo 1

Por que isso importa para a visão das crianças

Para crianças com uma condição genética rara chamada neurofibromatose tipo 1, ou NF‑1, a perda de visão pode ser uma complicação que muda a vida. Os médicos já utilizam um exame ocular não invasivo chamado tomografia de coerência óptica (OCT) para observar estruturas muito pequenas na parte posterior do olho, mas transformar essas imagens em alertas claros sobre quais crianças estão em risco tem sido difícil. Este estudo investiga se o reconhecimento de padrões baseado em computador, conhecido como aprendizado de máquina, pode transformar medidas rotineiras de OCT em um sistema de alerta precoce para problemas visuais nesses pacientes jovens.

Um distúrbio genético com riscos oculares ocultos

A NF‑1 afeta aproximadamente um em cada 2.500 a 3.000 recém‑nascidos e pode causar uma ampla gama de alterações na pele, nos nervos e nos olhos. Uma das ameaças mais sérias é o desenvolvimento de tumores ao longo da via visual, chamados gliomas do trato óptico. Cerca de uma em cada cinco crianças com NF‑1 desenvolverá esses tumores, frequentemente por volta dos cinco anos, e algumas sofrerão perda duradoura de acuidade ou do campo visual. Como crianças pequenas podem não perceber ou relatar a perda visual, os médicos dependem de testes regulares e de exames cerebrais para detectar problemas cedo — procedimentos que podem ser estressantes, demorados e às vezes inconclusivos.

Um olhar mais atento à fiação do olho

A OCT funciona um pouco como o ultrassom, mas com luz em vez de som, produzindo imagens de corte detalhadas da retina e do nervo óptico. A equipe de pesquisa concentrou‑se em quão grossas ou finas estavam camadas específicas, especialmente a camada de fibras nervosas da retina e as camadas de células ganglionares, que levam sinais visuais do olho em direção ao cérebro. Eles coletaram 515 exames de OCT de 168 crianças e adolescentes de 3 a 19 anos, alguns com visão normal e outros que apresentaram visão reduzida em uma ou mais visitas. Em vez de analisar cada pixel de cada exame, os cientistas usaram resumos numéricos simples — espessuras gerais das camadas-chave na retina central (mácula) e ao redor do nervo óptico — tornando os resultados mais fáceis de relacionar com a anatomia real e com o que os clínicos já observam na prática.

Treinando computadores para identificar sinais de alerta precoces

Os investigadores então testaram nove abordagens diferentes de aprendizado de máquina para ver qual poderia, da melhor forma, distinguir visão normal de anormal usando apenas essas medidas de espessura. Eles deram atenção especial a evitar resultados excessivamente otimistas, garantindo que os dados da mesma criança nunca aparecessem simultaneamente nos conjuntos de treino e de teste. Um modelo chamado Floresta Aleatória Balanceada (Balanced Random Forest) — essencialmente um conjunto de árvores de decisão ajustado para tamanhos de classe desiguais — emergiu como a melhor opção para uma ferramenta de triagem. Usando apenas medições maculares, ele separou corretamente visão normal de anormal com uma área sob a curva de 0,82 e detectou cerca de dois terços das crianças com problemas visuais, um nível de sensibilidade considerado valioso quando a prioridade é não deixar passar pacientes em risco.

Dos números a limiares práticos

Para manter o sistema compreensível aos clínicos, a equipe aplicou um método de explicação que mostra quanto cada característica empurra o modelo para prever visão normal ou anormal. Isso revelou que o afinamento da camada de fibras nervosas da retina e das camadas combinadas de células ganglionares, tanto na mácula quanto na região do nervo, estava fortemente associado à perda visual. Os pesquisadores foram além, usando essas explicações para derivar valores de corte provisórios — por exemplo, uma camada de fibras nervosas macular mais fina do que cerca de 34 micrômetros foi associada a uma proporção muito maior de crianças com visão anormal. Eles também testaram como o risco aumentava conforme mais camadas cruzavam seus limiares: crianças que excediam três ou mais limites anormais tinham muito mais probabilidade de apresentar problemas visuais do que aquelas que não o faziam, sugerindo que combinar várias alterações sutis pode afinar as estimativas de risco.

O que isso significa para famílias e médicos

O estudo mostra que medidas simples já disponíveis em exames padrão de OCT podem ser transformadas em uma ferramenta transparente e baseada em dados para sinalizar crianças com NF‑1 que possam estar desenvolvendo danos ameaçadores à visão. Em vez de substituir os médicos, esses modelos poderiam destacar quais crianças precisam de acompanhamento mais próximo, tratamento mais precoce ou testes adicionais. Os limites de espessura propostos e as regras de “número de camadas anormais” ainda não estão prontos para orientar tratamentos por si só; eles precisam ser verificados em estudos maiores, multicêntricos. Ainda assim, este trabalho sugere que combinar imagens oculares precisas com inteligência artificial explicável pode ajudar a proteger a visão de um grupo vulnerável de crianças ao detectar problemas antes que se tornem irreversíveis.

Citação: Cañada, C.F., Parcerisas, J.G., Bartomeu, J.P. et al. Utilizing optical coherence tomography and machine learning to identify vision abnormalities in pediatric neurofibromatosis type 1 patients. Sci Rep 16, 7237 (2026). https://doi.org/10.1038/s41598-026-37900-5

Palavras-chave: neurofibromatose tipo 1, visão pediátrica, tomografia de coerência óptica, aprendizado de máquina, camada de fibras nervosas da retina