Uma estrutura clinicamente adaptativa em tempo de teste para detectar múltiplas doenças do fundo de olho aproveitando modelos fundamentais oftalmológicos

Por que uma triagem ocular mais inteligente importa

Milhões de pessoas ao redor do mundo correm risco de perder a visão devido a condições como diabetes, glaucoma e alterações relacionadas à idade na parte posterior do olho. Médicos conseguem identificar muitos desses problemas em fotografias do interior do olho, chamadas imagens do fundo de olho, mas revisar cada imagem com cuidado leva tempo — especialmente quando várias doenças podem aparecer ao mesmo tempo. Este estudo apresenta o RetExpert, um novo sistema de inteligência artificial (IA) projetado para agir como um especialista ocular versátil: ele pode triagemar muitas doenças da retina simultaneamente, lidar com dados do mundo real desordenados e adaptar-se em tempo real a diferentes clínicas e câmeras.

Detectando vários problemas oculares ao mesmo tempo

Ferramentas de IA típicas para triagem ocular são treinadas para detectar apenas uma doença por vez e frequentemente assumem que as imagens serão muito semelhantes às usadas durante o treinamento. Clínicas reais são diferentes. Pacientes frequentemente têm mais de uma condição ocular, os rótulos de doenças em conjuntos de dados são incompletos e câmeras e populações variam entre locais. O RetExpert enfrenta isso apoiando-se em “modelos fundamentais”, grandes sistemas visuais inicialmente treinados em coleções enormes de imagens retinianas. Esses modelos fundamentais já reconhecem padrões comuns em fotografias do fundo de olho, como vasos sanguíneos, o nervo óptico e a mácula. O RetExpert transforma os blocos de tal modelo em “unidades de conhecimento adaptativas” e adiciona pequenas camadas adaptadoras que podem ser afinadas para triagem multi-doenças sem perturbar o conhecimento valioso já aprendido.

Fazendo melhor uso de dados desiguais e incertos

Dados médicos reais tendem a ser desequilibrados: doenças comuns como retinopatia diabética aparecem muito mais frequentemente do que transtornos raros. Se treinada de forma ingênua, a IA tende a concentrar-se nas condições frequentes e negligenciar as incomuns, mas importantes. O RetExpert usa uma abordagem de treinamento que dá atenção extra a doenças sub‑representadas para que o desempenho não desabe em achados raros. O sistema também reconhece que algumas previsões são naturalmente mais incertas do que outras. Em vez de produzir uma única pontuação geral de confiança, o RetExpert estima pontuações de incerteza separadas para cada doença que é solicitado a detectar. Essa visão doença a doença aproxima-se do raciocínio clínico e permite que o modelo trate previsões frágeis com cautela durante etapas posteriores de adaptação.

Reduzindo confusões entre doenças semelhantes

Na prática, algumas doenças retinianas podem parecer semelhantes, e pode ser especialmente prejudicial se um modelo de IA der respostas conflitantes com confiança — por exemplo, chamando a mesma imagem tanto de “normal” quanto de “degeneração macular”. Para lidar com isso, os autores construíram uma matriz de coocorrência de doenças do fundo de olho, um resumo estruturado de quão prováveis são pares de doenças aparecerem juntos com base em conhecimento médico e estatísticas. Durante o treinamento, o RetExpert aprende a alinhar suas probabilidades de saída com essas relações medicamente sensatas. A equipe também introduziu uma “pontuação de confusão” que mede com que frequência o modelo confunde pares específicos de doenças. Com a informação de coocorrência em vigor, a confusão entre pares difíceis, como degeneração macular e alta miopia, caiu em mais de um terço, tornando as previsões mais confiáveis para uso clínico.

Adaptando-se em tempo de teste

Um dos maiores obstáculos para implantar IA em hospitais é a «mudança de domínio»: imagens de uma nova clínica podem diferir por causa de grupos de pacientes, tipos de câmeras ou configurações de imagem diferentes. Sistemas convencionais precisam ser reentreinados ou afinados extensivamente sempre que se mudam para um novo ambiente, o que é custoso e lento. O RetExpert, em vez disso, realiza uma adaptação leve durante o uso. Quando encontra um lote de novas imagens, ajusta brevemente apenas suas pequenas camadas adaptadoras e a cabeça de decisão final, guiado primeiro pela estabilidade de suas próprias características e depois por pseudo‑rótulos ponderados pelas estimativas de incerteza por doença. Crucialmente, essas atualizações são temporárias e são revertidas após cada lote, de modo que o modelo central não deriva ao longo do tempo, preservando segurança e reprodutibilidade, ao mesmo tempo em que ganha flexibilidade de curto prazo.

Quão bem funciona no mundo real?

Os autores testaram o RetExpert em dois grandes conjuntos de dados multi‑doenças usados para desenvolvimento e depois em mais 15 conjuntos de dados públicos e privados coletados em diferentes países, com diferentes câmeras e ambientes clínicos. Na maioria das tarefas — incluindo detecção de retinopatia diabética, degeneração macular relacionada à idade, glaucoma, alterações miópicas e toxoplasmose ocular — o RetExpert igualou ou superou o desempenho dos atuais modelos fundamentais de referência para retina. Ele também mostrou melhor confiabilidade, com pontuações de confusão mais baixas e resultados mais fortes em conjuntos de dados desafiadores “fora da distribuição” que mimetizam novos hospitais e dispositivos. Embora sistemas altamente especializados em uma única doença ainda possam ser ligeiramente melhores para essa condição específica, o RetExpert reduz essa diferença enquanto oferece cobertura ampla e multi‑doença em uma única ferramenta unificada.

Um passo rumo a triagens oculares automatizadas e confiáveis

Em termos práticos, o RetExpert é como um clínico geral oftalmológico experiente construído sobre uma grande base de conhecimento compartilhada, equipado com ferramentas para lidar com doenças raras, reconhecer quando está inseguro e adaptar‑se rapidamente a novas clínicas sem reentreinamento constante. Ao combinar esses elementos — módulos adaptativos, aprendizado sensível à incerteza, conhecimento médico prévio e adaptação em tempo de teste — a estrutura entrega triagem multi‑doenças mais precisa e confiável a partir de fotografias coloridas simples da parte posterior do olho. Se desenvolvido e validado adicionalmente, tais sistemas poderiam apoiar a detecção precoce de condições que ameaçam a visão em grande escala, especialmente em locais onde o acesso a especialistas oftalmológicos é limitado.

Citação: Jiang, H., Liu, Z., Gao, M. et al. A test-time clinically adaptive framework for detecting multiple fundus diseases harnessing ophthalmic foundation models. npj Digit. Med. 9, 300 (2026). https://doi.org/10.1038/s41746-026-02480-1

Palavras-chave: imagem retiniana, IA médica, triagem multi-doenças, modelos fundamentais, adaptação de domínio