Desenvolvimento de modelo de deep learning para triagem de glaucoma primário de ângulo aberto em indivíduos de ascendência africana

Por que isso importa para a saúde ocular cotidiana

O glaucoma é uma das principais causas mundiais de cegueira irreversível e frequentemente rouba a visão silenciosamente antes que as pessoas percebam qualquer sintoma. Este estudo investiga como a inteligência artificial pode ajudar a detectar mais cedo uma forma comum de glaucoma, especialmente em comunidades de ascendência africana que enfrentam maior risco e pior acesso a cuidados oftalmológicos especializados. Ao ensinar um computador a interpretar fotografias do olho, os pesquisadores esperam levar triagem confiável para consultórios de atenção primária, clínicas comunitárias e ambientes com poucos recursos ao redor do mundo.

A ameaça silenciosa à visão

O glaucoma primário de ângulo aberto danifica lentamente o nervo óptico, o cabo que transmite informações visuais do olho ao cérebro. No início, as pessoas geralmente se sentem bem e enxergam adequadamente, mesmo quando a visão periférica começa a diminuir. Como a doença progride silenciosamente e os exames oftalmológicos podem ser demorados e escassos em muitas regiões, grande parte dos pacientes permanece sem diagnóstico até que a perda visual se torne permanente. Esse fardo é especialmente pesado em populações de ascendência africana, que têm maior probabilidade de desenvolver glaucoma e de ficar cegas por causa dele, mas historicamente foram sub‑representadas em pesquisas médicas e em conjuntos de imagens de alta qualidade.

Ensinando computadores a ler imagens oculares

A equipe construiu um sistema de triagem automatizado que analisa fotografias coloridas da parte posterior do olho, conhecidas como imagens de fundo de olho (fundus). Essas imagens são relativamente baratas e fáceis de capturar, mesmo fora do consultório de um especialista. A partir de mais de 64.000 imagens coletadas no estudo Primary Open-Angle African American Glaucoma Genetics (POAAGG), os pesquisadores treinaram modelos de deep learning para distinguir olhos com glaucoma daqueles sem a doença. Eles compararam duas abordagens de ponta: um modelo convolucional “ResNet” e um “Vision Transformer”, que examina a imagem em blocos e pode destacar onde está focando atenção—frequentemente na região de copa e disco do nervo óptico, onde surgem alterações relacionadas ao glaucoma.

Escolhendo primeiro as imagens mais nítidas

Na triagem no mundo real, várias imagens costumam ser feitas em cada consulta para evitar problemas como piscar ou desfoque. Em vez de enviar todas elas ao modelo, os pesquisadores investigaram se selecionar cuidadosamente apenas as imagens mais informativas poderia melhorar a acurácia. Eles testaram duas estratégias automáticas de seleção. Uma usou um modelo de segmentação para contornar o nervo óptico e escolher imagens com determinadas características de tamanho. A outra—um classificador binário—aprendeu a imitar avaliadores especialistas de um centro de leitura, separando imagens “boas” das ruins. Selecionar apenas seis imagens de alta qualidade por visita com o classificador binário igualou o desempenho dos avaliadores humanos e superou claramente tanto o uso de todas as imagens quanto o método baseado em segmentação.

Combinando várias pistas em uma única resposta

Após selecionar as melhores imagens de uma visita, o sistema examinou cada uma com o Vision Transformer e produziu uma probabilidade de presença de glaucoma. Em seguida, os pesquisadores exploraram a melhor forma de transformar várias probabilidades em uma única decisão de triagem. Fazer a média simples das probabilidades das imagens escolhidas forneceu os resultados mais confiáveis, ligeiramente melhor do que depender apenas do valor mais extremo. No geral, esse fluxo—seleção de imagens pelo classificador binário, seguida de predição por imagem e média—alcançou alta capacidade de separar casos com e sem glaucoma. Quando testado em um conjunto de dados independente de pacientes chineses, o modelo ainda teve bom desempenho, e experimentos adicionais mostraram que usar um conjunto de treinamento maior foi crucial para essa transferência entre grupos.

O que isso pode significar para os pacientes

O estudo demonstra que um pipeline de IA cuidadosamente projetado, treinado em um grande conjunto de imagens oculares de indivíduos de ascendência africana, pode identificar com precisão pessoas que podem ter glaucoma usando apenas fotografias simples. Embora o sistema ainda não atinja os limiares muito rigorosos que algumas organizações recomendam para ferramentas diagnósticas completas, ele é bem adequado como pré‑triagem em locais onde especialistas oftalmológicos são escassos. Com validação adicional em populações e câmeras mais diversas, e possível integração com outros exames oculares, essa tecnologia poderia um dia ser implantada em clínicas de atenção primária, eventos comunitários ou centros de saúde rural. O objetivo é direto: detectar o glaucoma mais cedo, encaminhar os que estão em risco para especialistas e prevenir cegueira evitável—particularmente em comunidades que foram mais severamente afetadas.

Citação: Li, S., Salowe, R., Lee, R. et al. Development of deep learning model to screen for primary open-angle glaucoma in African ancestry individuals. npj Digit. Med. 9, 214 (2026). https://doi.org/10.1038/s41746-025-02318-2

Palavras-chave: triagem de glaucoma, inteligência artificial, imagem da retina, saúde de ascendência africana, medicina de deep learning