doi.org/10.1038/s43856-024-00483-1
Credibilidade: 989
#Retina
Pesquisadores dos Institutos Nacionais de Saúde aplicaram inteligência artificial (IA) a uma técnica que produz imagens de células oculares em alta resolução. Eles relatam que com IA, a geração de imagens é 100 vezes mais rápida e melhora o contraste da imagem em 3,5 vezes. O avanço, dizem eles, proporcionará aos investigadores uma ferramenta melhor para avaliar a degeneração macular relacionada com a idade (DMRI) e outras doenças da retina.
O trabalho aparece em Medicina das Comunicações.
“A inteligência artificial ajuda a superar uma limitação importante das células de imagem na retina, que é o tempo”, disse Johnny Tam, Ph.D., que lidera a Seção de Imagens Clínicas e Translacionais do National Eye Institute do NIH.
Tam está desenvolvendo uma tecnologia chamada óptica adaptativa (AO) para melhorar dispositivos de imagem baseados em tomografia de coerência óptica (OCT). Assim como o ultrassom, a OCT é um equipamento não invasivo, rápido, indolor e padrão na maioria das clínicas oftalmológicas.
A geração de imagens de células RPE com AO-OCT traz novos desafios, incluindo um fenômeno chamado speckle. Speckle interfere no AO-OCT da mesma forma que as nuvens interferem na fotografia aérea. A qualquer momento, partes da imagem podem ficar obscurecidas. Gerenciar manchas é um pouco semelhante a gerenciar cobertura de nuvens.
Os pesquisadores criam imagens repetidamente das células durante um longo período de tempo. Com o passar do tempo, a mancha muda, o que permite que diferentes partes das células se tornem visíveis. Os cientistas então realizam a tarefa trabalhosa e demorada de reunir muitas imagens para criar uma imagem das células do EPR sem manchas.
Tam e sua equipe desenvolveram um novo método baseado em IA chamado rede adverbial geradora de discriminador paralelo (P-GAN) – um algoritmo de deep learning. Ao alimentar a rede P-GAN com quase 6.000 imagens de RPE humano adquiridas por AO-OCT analisadas manualmente, cada uma emparelhada com seu original manchado correspondente, a equipe treinou a rede para identificar e recuperar características celulares obscurecidas por manchas.
Quando testado em novas imagens, o P-GAN removeu com sucesso as manchas das imagens RPE, recuperando detalhes celulares. Com uma captura de imagem, gerou resultados comparáveis ao método manual, que exigiu a aquisição e média de 120 imagens. Com uma variedade de métricas objetivas de desempenho que avaliam coisas como formato e estrutura celular, o P-GAN superou outras técnicas de IA. Vineeta Das, Ph.D., pós-doutoranda na Seção de Imagens Clínicas e Translacionais do NEI, estima que o P-GAN reduziu o tempo de aquisição e processamento de imagens em cerca de 100 vezes. O P-GAN também produziu maior contraste, cerca de 3,5 maior que antes.
“A óptica adaptativa leva a imagem baseada em OCT para o próximo nível”, disse Tam. “É como passar de um assento na varanda para um assento na primeira fila para obter imagens da retina. Com AO, podemos revelar estruturas retinianas 3D com resolução em escala celular, permitindo-nos ampliar os primeiros sinais de doença.”
Embora adicionar AO à OCT forneça uma visão muito melhor das células, o processamento de imagens AO-OCT depois de capturadas leva muito mais tempo do que a OCT sem AO.
O trabalho mais recente de Tam tem como alvo o epitélio pigmentar da retina (EPR), uma camada de tecido atrás da retina sensível à luz que sustenta os neurônios retinais metabolicamente ativos, incluindo os fotorreceptores. A retina reveste a parte posterior do olho e captura, processa e converte a luz que entra na parte frontal do olho em sinais que ela transmite através do nervo óptico até o cérebro. Os cientistas estão interessados no EPR porque muitas doenças da retina ocorrem quando o EPR se rompe.
Ao integrar a IA com AO-OCT, Tam acredita que um grande obstáculo para imagens clínicas de rotina usando AO-OCT foi superado, especialmente para doenças que afetam o EPR, que tradicionalmente tem sido difícil de obter imagens.
“Nossos resultados sugerem que a IA pode mudar fundamentalmente a forma como as imagens são capturadas”, disse Tam. “Nossa inteligência artificial P-GAN tornará a imagem AO mais acessível para aplicações clínicas de rotina e para estudos que visam compreender a estrutura, função e fisiopatologia das doenças cegantes da retina. Pensar na IA como parte do sistema geral de imagem, em oposição a uma ferramenta que só é aplicada após a captura das imagens é uma mudança de paradigma para o campo da IA.”
Publicado em 13/04/2024 17h41
Artigo original:
Estudo original: