Um método generalizável de detecção de doenças oculares baseado em Zero‑Shot Learning

Por que avisos precoces nos olhos importam

Muitos problemas oculares graves começam com alterações tão sutis que até especialistas treinados podem ter dificuldade em percebê‑las. A retinopatia diabética leve, uma complicação inicial do diabetes, é um desses sinais silenciosos: identificá‑la cedo pode prevenir perda de visão, mas exige inspeção cuidadosa de fotografias da retina e um grande número de imagens rotuladas por especialistas para treinar os sistemas de inteligência artificial (IA) atuais. Este estudo apresenta um tipo novo de IA capaz de aprender a detectar doença precoce mesmo quando médicos nunca rotularam exemplos dessa condição específica, abrindo potencialmente caminho para triagens oculares mais rápidas e acessíveis globalmente.

Uma nova forma de ensinar máquinas sem respostas

Os pesquisadores baseiam‑se em um conceito chamado zero‑shot learning, em que um sistema de IA aprende a reconhecer algo novo sem ter visto exemplos rotulados anteriormente. Em vez de memorizar rótulos de doença, o sistema imita a maneira como os clínicos raciocinam: procura doenças relacionadas que compartilham padrões visuais e transfere o que aprende a partir delas. Aqui, a equipe focou na retinopatia diabética leve (DR1) mas treinou seu método sem uma única imagem rotulada como DR1. Em vez disso, reuniram um recurso massivo de fotografias da retina, chamado conjunto de dados LCFP‑14M, integrando mais de um milhão de imagens e onze categorias de doenças oculares extraídas de vários bancos públicos. Essa mistura rica de imagens fornece a “experiência” visual a partir da qual a IA pode inferir padrões de doença.

Encontrando uma doença parecida

Para determinar de onde emprestar conhecimento, o primeiro passo do sistema é medir quão semelhantes diferentes doenças oculares parecem entre si. A equipe usou uma rede neural siamês, um par de modelos de IA idênticos que inspecionam duas imagens da retina por vez e aprendem a dizer se provavelmente pertencem à mesma doença. Ao comparar milhares de pares de imagens, o modelo construiu um mapa de quão próximas onze doenças se assemelham à retinopatia diabética leve. Descobriu‑se que a miopia degenerativa, uma condição que envolve alongamento e afinamento da parte posterior do olho, produzia imagens retinianas mais fortemente correlacionadas com essas mudanças diabéticas iniciais. Em termos humanos, a miopia degenerativa tornou‑se a “parente mais próxima” capaz de ensinar ao sistema o que observar.

Ensinando ao sistema como são as pequenas lesões

Uma vez encontrada uma doença “professora” adequada, a tarefa seguinte foi mostrar à IA quais pontos específicos da retina importam para o dano diabético inicial. Usando um segundo modelo chamado U‑Net, os pesquisadores treinaram um sistema de segmentação em conjuntos de dados estabelecidos nos quais especialistas marcaram três sinais-chave: pequenas protuberâncias em vasos sanguíneos conhecidas como microaneurismas, pequenos hemorragias e manchas algodo‑escuras (cotton wool spots). Embora nem todos sejam exclusivos do estágio leve, juntos eles traçam um rastro inicial de dano na circulação retiniana. O U‑Net aprendeu a destacar apenas essas lesões nas imagens, transformando fotografias brutas em mapas focados onde os sinais de alerta importantes sobressaem enquanto detalhes menos relevantes ficam em segundo plano.

Agrupando doença desconhecida em saudável e não‑saudável

Com essa visão centrada nas lesões, o sistema então processou imagens de pacientes com miopia degenerativa, mas com lesões no estilo diabético enfatizadas e artefatos específicos da doença suprimidos. Um terceiro modelo, baseado numa rede ResNet combinada com um algoritmo de clusterização aglomerativa, converteu essas imagens segmentadas em descrições numéricas compactas e as agrupou em dois clusters naturais. Crucialmente, o algoritmo fez isso sem rótulos indicando quais olhos eram saudáveis ou doentes; ele simplesmente organizou as imagens com base em padrões visuais compartilhados. Quando a equipe depois comparou esses agrupamentos com rótulos clínicos verdadeiros em um conjunto de teste independente, um cluster alinhou‑se com DR1 e o outro com olhos não doentes, mostrando que a IA havia efetivamente “descoberto” a retinopatia diabética leve por conta própria.

Como a nova abordagem se sai

Para avaliar se esse sistema zero‑shot era útil na prática, os pesquisadores o compararam com modelos de deep learning mais convencionais “few‑shot” que puderam ver um pequeno número de exemplos rotulados. Testaram arquiteturas populares como ResNet, VGG, MobileNet e AlexNet, todas treinadas com quantidades limitadas de dados rotulados e então avaliadas em um conjunto externo chamado EyePACS. O modelo zero‑shot, apesar de nunca ter sido mostrado imagens rotuladas de DR1 durante o treinamento, alcançou uma acurácia de cerca de 83% e uma alta área sob a curva, superando a maioria desses concorrentes supervisionados—especialmente em precisão, isto é, os olhos que sinalizou como doentes eram geralmente realmente de risco. Experimentos de ablação, nos quais componentes individuais foram removidos, confirmaram que tanto a etapa de similaridade de doença quanto a de segmentação de lesões foram essenciais para esse desempenho robusto.

O que isso significa para os cuidados oculares futuros

Em termos práticos, este trabalho mostra que uma IA pode aprender a identificar danos oculares diabéticos iniciais por “raciocínio por analogia” a partir de doenças relacionadas e pistas visuais definidas por especialistas, em vez de depender de milhares de exemplos rotulados à mão da condição exata de interesse. Isso pode transformar programas de triagem em regiões do mundo onde rotulagem especializada é cara ou rara, ou para doenças oculares recém‑reconhecidas que carecem de grandes conjuntos de dados curados. Embora o método ainda enfrente desafios—como estender além de fotografias de fundo de olho para outras tecnologias de imagem e tornar suas decisões mais transparentes para médicos e pacientes—ele aponta para um futuro em que máquinas ajudam clínicos a detectar doenças oculares sutis mais cedo, usando muito menos dados rotulados do que os sistemas atuais exigem.

Citação: Pan, C., Wang, Y., Jiang, Y. et al. A generalizable eye disease detection method based on Zero-Shot Learning. Commun Med 6, 249 (2026). https://doi.org/10.1038/s43856-026-01439-3

Palavras-chave: retinopatia diabética, imagem retiniana, zero-shot learning, IA médica, triagem de doenças oculares