Glaucoma e Miopia Elevata: L’Intelligenza Artificiale Ci Vede Chiaro (Prima!)

Parliamoci chiaro: riuscire a diagnosticare il glaucoma nelle sue fasi iniziali è una vera e propria corsa contro il tempo. Si tratta di salvare la vista, prevenendo danni strutturali permanenti e quella perdita visiva irreversibile che tutti temiamo. Il problema è che il glaucoma, all’inizio, è un nemico silenzioso, spesso asintomatico. E se ci aggiungiamo una miopia elevata, la faccenda si complica ulteriormente.

Perché? Perché i segni clinici della miopia elevata possono assomigliare in modo impressionante a quelli del glaucoma. Immaginate la difficoltà per un oculista nel distinguere le due condizioni o nel capire se coesistono! Tradizionalmente, la diagnosi si basa sull’esperienza del medico che deve mettere insieme tanti pezzi: pressione oculare (IOP), spessore corneale, esame del campo visivo (VF), foto del fondo oculare e, fondamentale, la tomografia a coerenza ottica (OCT).

Ma l’interpretazione soggettiva può portare a diagnosi non sempre coerenti. Ed è qui che entriamo in gioco noi, o meglio, l’intelligenza artificiale (AI) e il deep learning. Negli ultimi anni, abbiamo fatto passi da gigante nello sviluppare sistemi di supporto alla diagnosi (CAD) basati su immagini mediche. Molti si sono concentrati sul glaucoma, ma pochi hanno affrontato specificamente la sfida della diagnosi precoce, soprattutto in pazienti con miopia elevata.

La Sfida Doppia: Glaucoma Precoce e Miopia Forte

Il vero nodo da sciogliere è proprio questo: creare uno strumento che funzioni nella pratica clinica reale, dove pazienti con miopia elevata non possono essere semplicemente esclusi dagli studi. Anzi, è proprio in questi casi che serve un aiuto in più! La miopia elevata può “confondere le acque”, influenzando negativamente l’accuratezza delle previsioni diagnostiche.

Molti approcci esistenti, inoltre, si basano su un solo tipo di informazione: o quella strutturale (come le mappe di spessore della retina ottenute con l’OCT) o quella funzionale (i risultati dei test del campo visivo). Ma il glaucoma è una bestia complessa, che colpisce sia la struttura che la funzione dell’occhio. Perché limitarsi a guardare solo una faccia della medaglia?

Pensateci: a volte, circa il 40% delle fibre nervose retiniche (le cellule ganglionari retiniche, RGC) può andare perso prima che si notino deficit nel campo visivo. Questo suggerisce che i cambiamenti strutturali possono precedere quelli funzionali. Quindi, basarsi solo sul campo visivo potrebbe non essere sufficiente per una diagnosi davvero precoce. D’altro canto, l’OCT ci dà informazioni strutturali preziose, ma non ci dice nulla sulla funzione visiva residua.

Guardare Dentro l’Occhio: La Magia dell’OCT

L’OCT è una tecnologia non invasiva fantastica. Ci permette di ottenere immagini tridimensionali (3D) ad alta risoluzione delle sezioni trasversali della retina. Nel glaucoma, ci concentriamo soprattutto sullo spessore dello strato delle fibre nervose retiniche (RNFL) attorno al nervo ottico e sul complesso delle cellule ganglionari (GCC) nell’area maculare. La macula, infatti, è la zona con la più alta densità di RGC ed è particolarmente vulnerabile al danno glaucomatoso.

Per ottenere mappe di spessore del GCC precise, abbiamo sviluppato un algoritmo specifico chiamato VE-GCCLS (View-Ensemble GCC Layer Segmentation). Questo algoritmo, basato su deep learning (una variante della famosa U-Net), è addestrato per delineare con precisione i confini del GCC nelle immagini OCT 3D, tenendo conto anche di possibili inclinazioni dell’immagine o della curvatura naturale della retina. Utilizza tecniche avanzate come meccanismi di attenzione e pooling spaziale piramidale atrous (ASPP) per catturare dettagli fini e multi-scala.

Mappare la Visione: Il Campo Visivo Standard e Pulsar

Accanto all’analisi strutturale con l’OCT, abbiamo l’analisi funzionale con la perimetria, ovvero il test del campo visivo. Quello standard è la Perimetria Automatica Standard (SAP), che misura la sensibilità alla luce in diversi punti del campo visivo. Fornisce parametri quantitativi importanti come la deviazione media (MD) e la deviazione standard del pattern (PSD).

Ma abbiamo deciso di non fermarci qui. Abbiamo integrato anche i dati di un altro tipo di perimetria, la Perimetria Pulsar (PP). Perché? Diversi studi suggeriscono che la PP potrebbe essere più sensibile della SAP nel rilevare il glaucoma nelle sue fasi iniziali. La nostra ipotesi è che, nei pazienti miopi, la PP possa essere particolarmente sensibile (forse fin troppo, rilevando anche cambiamenti dovuti alla sola miopia), mentre la SAP, essendo meno sensibile ai danni da miopia, possa aiutarci a mantenere alta la specificità, cioè la capacità di identificare correttamente i soggetti sani (o non glaucomatosi).

L’Idea Geniale: Unire Struttura e Funzione con l’AI

Ed ecco il cuore del nostro lavoro: un sistema end-to-end basato su deep learning che abbiamo chiamato OMEGA-Net (Omni-thickness Map-based Early Glaucoma Analysis Network). La sua forza sta proprio nell’integrare le informazioni strutturali (la mappa di spessore del GCC ottenuta dall’OCT) con quelle funzionali (i parametri chiave della SAP e della PP).

OMEGA-Net è stato progettato pensando a tre principi chiave:

• Integrazione Struttura-Funzione: Utilizza sia la mappa di spessore del GCC (e una sua derivata, la mappa percentile) sia i parametri MD e sLV (radice quadrata della varianza della perdita) di SAP e PP.
• Focus sulla Macula (GCC): Come detto, la macula è cruciale e lo spessore del GCC maculare si è dimostrato più accurato nel rilevare la progressione precoce del glaucoma rispetto allo spessore del RNFL attorno al disco ottico.
• Combinazione SAP + PP: Sfrutta la potenziale maggiore sensibilità della PP e la robustezza della SAP per migliorare la diagnosi, specialmente nei casi complicati dalla miopia elevata.

Tecnicamente, OMEGA-Net ha due “bracci” di elaborazione. Uno analizza la mappa di spessore, l’altro una mappa percentile (che confronta lo spessore punto per punto con una popolazione sana). I risultati di queste analisi vengono poi combinati con i quattro parametri del campo visivo (SAP-MD, SAP-sLV, PP-MD, PP-sLV) in strati neurali successivi per arrivare a una classificazione finale: “glaucoma precoce” o “non glaucoma”.

I Risultati Parlano Chiaro (e in Anticipo!)

Abbiamo testato il nostro sistema su un gruppo di 394 soggetti (198 con glaucoma precoce, di cui 63 con miopia elevata, e 196 controlli, di cui 38 con miopia elevata). Utilizzando una validazione incrociata rigorosa (10-fold cross-validation ripetuta 5 volte), OMEGA-Net ha raggiunto un’area sotto la curva ROC (AUC) media di 0.887 ± 0.006. L’AUC è una misura dell’accuratezza diagnostica complessiva: un valore di 1 è perfetto, 0.5 è casuale. Il nostro risultato è decisamente buono!

Ma la cosa più interessante è emersa dagli studi di “ablazione”, in cui abbiamo testato versioni semplificate del sistema. Abbiamo dimostrato che:

• L’integrazione è la chiave: OMEGA-Net ha superato significativamente sia i modelli che usavano solo le mappe di spessore OCT (come una versione del metodo di Asaoka senza transfer learning) sia quelli che usavano solo i parametri del campo visivo.
• SAP e PP insieme sono meglio: L’inclusione di tutti e quattro i parametri del campo visivo (SAP-MD, SAP-sLV, PP-MD, PP-sLV) ha dato le performance migliori rispetto a qualsiasi combinazione parziale. Tra i singoli parametri, il PP-MD è risultato il più efficace, seguito dal SAP-MD.
• Gestire la miopia: Sebbene la miopia elevata tenda ad aumentare la sensibilità (più facile classificare come glaucoma) ma a diminuire la specificità (più difficile identificare i sani), l’approccio integrato di OMEGA-Net, combinando SAP e PP, si è dimostrato robusto nel mitigare questo effetto negativo. L’inclusione della SAP sembra proprio aiutare a “controbilanciare” l’ipersensibilità della PP nei miopi.

Anche il nostro algoritmo di segmentazione, VE-GCCLS, si è comportato egregiamente, superando altri metodi nel delineare accuratamente lo strato GCC, come dimostrato dai coefficienti di Dice (0.985) e dalle distanze di Hausdorff (5.85 µm) molto buoni.

Cosa Significa Tutto Questo per Noi?

Questo lavoro rappresenta, a nostro avviso, un passo avanti significativo. Siamo i primi a proporre un approccio CAD che integra mappe di spessore OCT con parametri sia SAP che PP per la diagnosi precoce del glaucoma, tenendo esplicitamente conto della sfida posta dalla miopia elevata.

Certo, ci sono delle limitazioni: il numero di soggetti non è enorme, lo studio è stato condotto in un singolo centro, e avremmo bisogno di validazioni su coorti più ampie e diverse. Ma i risultati sono estremamente promettenti.

L’obiettivo finale è fornire agli oculisti strumenti più potenti e affidabili per “vedere” il glaucoma prima che faccia danni irreversibili, specialmente in quei pazienti complessi dove la miopia elevata rende tutto più difficile. Integrare informazioni strutturali e funzionali con l’aiuto dell’intelligenza artificiale sembra essere la strada giusta per raggiungere questo traguardo.

È un campo in continua evoluzione, ma siamo convinti che combinare il meglio della tecnologia di imaging, dei test funzionali e dell’intelligenza artificiale ci permetterà di proteggere la vista di molte più persone in futuro.

Fonte: Springer