LETTERATURA INTERNAZIONALE a cura di Vincenzo Orfeo in collaborazione con Pasquale Napolitano, Mariapaola Giordano e Claudio Xompero
Ghosh AK, Thammasudjarit R, Jongkhajornpong P, Attia J, Thakkinstian A. Deep Learning for Discrimination Between Fungal Keratitis and Bacterial Keratitis: DeepKeratitis. Cornea. 2022 May 1;41(5):616-622. doi: 10.1097/ICO.0000000000002830. PMID: 34581296; PMCID: PMC8969839.
L’intelligenza artificiale simula i processi cognitivi umani, il deep learning è una tipologia di intelligenza artificiale che impara a svolgere un compito e migliora automaticamente le proprie prestazioni nel corso del tempo. Il termine “deep” indica la complessità di strati di cui è composta la rete neurale (la sequenza di funzioni) che si interpone tra un input, come ad esempio l’immagine del segmento anteriore affetto da cheratite, ed un output, la probabilità che quella cheratite sia di eziologia batterica o fungina. Le sue applicazioni in medicina hanno prodotto numerosi strumenti utili nello screening e nel supporto alla diagnosi, in particolare in assistenza agli oftalmologi che si avvalgono quotidianamente di tecnologie avanzate nell’esaminare il paziente. L’intelligenza artificiale applicata all’interpretazione di scansioni OCT o ad immagini del fondo oculare è stata ampiamente approfondita in numerose pubblicazioni a partire dal 2016, la sua applicazione all’esame obiettivo del segmento anteriore è ancora in gran parte da esplorare. Lo studio “Deep Learning for Discrimination Between Fungal Keratitis and Bacterial Keratitis: DeepKeratitis” pubblicato sulla rivista Cornea, valuta le per-
8
LA VOCE AICCER 1/2022 2/2022
formance di un prototipo di deep learning chiamato DeepKeratitis, nel distinguere, a partire da un’immagine del segmento anteriore affetto da ulcera corneale, l’eziologia batterica o fungina della stessa. La cheratite microbica è un’urgenza in ambito oculistico che necessita di un intervento tempestivo per evitare le complicanze, quali perforazione corneale e perdita della vista. Il gold standard per la diagnosi è la coltura di tessuto corneale. L’esame obiettivo condotto da un oculista esperto può generalmente dare un buon orientamento sull’eziologia della cheratite, ma gli studi condotti al riguardo identificano una probabilità di errore di circa il 30%. L’algoritmo di intelligenza artificiale sviluppato viene incontro a tale difficoltà, richiedendo all’oftalmologo di scattare una fotografia del segmento anteriore del paziente affetto da cheratite e attraverso Deepkeratitis ricevere una risposta sulla probabilità che si tratti di una cheratite batterica o fungina. Deepkeratitis deriva dal training dell’intelligenza artificiale a partire da 2167 immagini di 194 pazienti con cheratite batterica (1159) e fungina (673). Le immagini specifiche sono state utilizzate in 3 fasi: l’80% nel training dell’intelligenza artificiale, perché imparasse a svolgere quella funzione, il 10% nella sua fase di validazione e un ulteriore 10% per testarne le capacità. Sono stati effettuati test nel valutare la capacità di DeepKeratitis di discriminare fotografie del segmento anteriore rappresentanti cheratiti batteriche o fungine e le sue performances, mostrate nell’ultima riga della tabella 1, lo identificano come un valido e rapido strumento di supporto per una diagnosi provvisoria, in attesa di risultati laboratoristici e colturali. Attualmente risulta uno strumento molto limitato poiché può solo porre diagnosi differenziale tra cheratite batterica e fungina, ma ulteriori sforzi in questa direzione potrebbero fornire uno strumento completo per la diagnosi delle cheratiti.
