Le applicazioni dell’intelligenza artificiale (AI) generativa in Oftalmologia continuano il loro rapido ed inesorabile progresso.
È di qualche mese fa lo studio “Deep Learning to Discriminate Arteritic From Nonarteritic Ischemic Optic Neuropathy on Color Images”, pubblicato su Jama Ophthalmology, che ha esaminato l’accuratezza con cui gli algoritmi basati sul deep learning sono in grado di discriminare la Neuropatia ottica ischemica non arteritica (NAION) dalla forma arteritica (AAION) partendo dalle immagini a colori del fondo in fase acuta. Si tratta dei risultati di uno studio internazionale che ha arruolato 961 occhi di 802 pazienti. La fase di training è stata effettuata utilizzando le immagini di 21 centri di neuro-oftalmologia di 16 paesi, mentre la fase test ha coinvolto una coorte di 5 centri specializzati in Europa e negli Stati Uniti, nel periodo agosto 2018 – gennaio 2023. La performance del Deep Learning System (DLS) in base ai criteri di sensitività, specificità e accuratezza ha dato ottimi risultati con mappe di attivazione specifiche con livelli di accuratezza superiori al 90% nel distinguere tra AAION e NAION.
Si tratta di uno dei tanti esempi di successo delle innumerevoli applicazioni dell’AI in Oftalmologia, a cui è stata dedicata un’ampia review pubblicata sull’Asian Pacific Journal of Ophthalmology, Latest developments of generative artificial intelligence and applications in ophthalmology – ScienceDirect
Gli ultimi due decenni hanno, infatti, visto un grande sviluppo che ha portato a dataset sempre più estesi che contengono uno spettro sempre più ampio di informazioni e alla creazione di modelli sempre più potenti con maggiore capacità di apprendere dai dati. Dal machine learning si è passati al deep learning, dall’AI discriminativa all’AI generativa e all’emergere dei Large Language Models (LLMs).
In questa prospettiva quali le direzioni e i problemi più importanti in ambito oftalmologico?
La prima questione è la verifica complessiva del modello standard di indagine. Gli studi attuali in prevalenza hanno valutato la performance dell’AI generativa in base ai database esistenti in Oftalmologia, come unica forma di validazione. Il limite di questo approccio è costituito da probabili carenze nella diversità e complessità della casistica disponibile. Tanto più le performance dell’AI generativa si avvicineranno a quelle umane, tanto più diventerà pressante la necessità che il contesto di validazione degli algoritmi rifletta le condizioni del mondo clinico reale. Inoltre, gli output AI sono in genere casuali (random), determinando problemi di replicabilità dei risultati, che invece costituisce un requisito sempre più importante.
È poi necessario accrescere le evidenze a supporto poiché solo un numero limitato di studi sulle applicazioni AI è stato sottoposto a report e verifica attraverso peer review. Al momento attuale una moltitudine di studi viene resa disponibile come preprint su piattaforme ad accesso libero, senza verifiche a supporto. Inoltre, non sussistono, ad oggi, evidenze sufficienti per un “consensus” su cui convergano oftalmologi e esperti di AI in merito ai risultati dell’AI generativa in oftalmologia e sul suo sviluppo futuro.
Un altro problema è che le capacità, tuttora limitata, dell’AI generativa di integrare informazioni multimodali e svolgere compiti multimodali nella pratica clinica oftalmologica. L’AI generativa multimodale sarà una tecnologia cruciale per arrivare alla medicina personalizzata, in cui i modelli di AI generativa devono integrare diverse tipologie di dati, inclusi biosensori, informazioni genetiche, epigenetiche, proteonomiche, microbiologiche, metaboliche, di imaging, in formato testo, dati clinici e fattori di carattere sociale ed ambientale. L’“agente intelligente” è una soluzione emergente dell’AI generativa multimodale per gestire compiti multipli, che vanno da compiti semplici, basati su regole, a compiti complessi in risposta a un contesto dinamico. In oftalmologia, come in altri ambiti della medicina, l’agente intelligente deve mirare a specifici obiettivi, percepire il proprio contesto e raccogliere i dati necessari per il decision -making. Per esempio, l’agente intelligente è stato già utilizzato nel triage di pronto soccorso per ottimizzare l’utilizzazione delle risorse disponibili in base alle urgenze dei pazienti, nel decision-making clinico in caso di razioni avverse da farmaco, nel monitoraggio ed assistenza a distanza dei pazienti affetti da demenza. Applicazioni analoghe potranno essere sviluppare per l’assistenza in oftalmologia.
Un ulteriore step è la messa a punto di un workflow di integrazione degli algoritmi dell’AI generativa nella pratica clinica oftalmologica di routine.
In tema di AI in Oftalmologia vi segnaliamo:
- AI & Oculomics – Oculista Italiano
- AI e oftalmologia: ascolta il podcast – Oculista Italiano
- Arrivano i robot! – Oculista Italiano
- Feng X, Xu K, Luo MJ, et al. Latest developments of generative artificial intelligence and applications in ophthalmology. Asia Pac J Ophthalmol (Phila). 2024 Jul-Aug;13(4):100090. doi: 10.1016/j.apjo.2024.100090. Epub 2024 Aug 14. PMID: 39128549.
- Gungor A, Najjar RP, Hamann S, et al. Deep Learning to Discriminate Arteritic From Nonarteritic Ischemic Optic Neuropathy on Color Images. JAMA Ophthalmol.2024;142(11):1073–1079. doi:10.1001/jamaophthalmol.2024.4269