refrazione

Come si legge nell’articolo omonimo Murphy et al. 2023” A guide to optometrists for appraising and using artificial intelligence in clinical practice” L'intelligenza artificiale (IA) sta rapidamente trasformando il settore sanitario, incluso quello optometrico. Questo articolo esamina come l'IA è utilizzata nella pratica optometrica, concentrandosi sull'analisi delle immagini oculari e la diagnosi.  

Processo di Addestramento e Iperparametri 

L'IA nella diagnosi ottica si basa su modelli di apprendimento automatico che richiedono un processo di addestramento iniziale. Durante il processo di addestramento, il modello impara dai dati, cercando di identificare schemi e relazioni all'interno delle immagini oculari fornite.  È importante sottolineare come il successo dell'IA in optometria dipenda in gran parte da quanto il modello sia ben addestrato. Durante il processo di addestramento, vengono utilizzati gli "iperparametri".  

I quali sono parametri configurabili che influenzano il comportamento del modello. Regolarli correttamente è essenziale per ottenere risultati ottimali. Esempi di iperparametri includono il tasso di apprendimento e la complessità del modello. Trovare il giusto equilibrio tra questi iperparametri può essere una sfida molto complessa e richiede l'esperienza degli sviluppatori. 

Interpretazione delle Mappe di Calore 

Quando il modello di intelligenza artificiale analizza un'immagine oculare, può generare mappe di calore. Queste mappe di calore mostrano le regioni dell'immagine che il modello ritiene più importanti o rilevanti per una determinata analisi. Le aree evidenziate nelle mappe di calore rappresentano l'attenzione del modello e possono variare in intensità a seconda dell'importanza attribuita dal modello a ciascuna parte dell'immagine. 

In sostanza, il "modello" è l'intelligenza artificiale stessa, che è stata addestrata per comprendere e interpretare immagini oculari, mentre le "mappe di calore" sono un tipo di visualizzazione che mostra dove il modello sta concentrando la sua attenzione all'interno dell'immagine. Le mappe di calore sono uno strumento utile per capire come l'IA sta interpretando le immagini e quali aree ritiene più rilevanti per una specifica analisi o diagnosi. 

Sfide e Limiti 

L'utilizzo dell'IA in optometria presenta alcune sfide e limiti importanti. Prima di tutto, l'IA è altamente specifica. Un modello progettato per rilevare una patologia specifica potrebbe non essere in grado di identificare altre condizioni oculari. Questa limitazione è particolarmente significativa quando l'IA viene utilizzata in programmi di screening o da professionisti non specializzati. 

Inoltre, l'IA può ereditare pregiudizi presenti nei dati di addestramento. Ad esempio, se un medico tende a sottovalutare lesioni sottili, il modello di IA addestrato su questi dati potrebbe compiere lo stesso errore. Per mitigare questo problema, è essenziale creare etichette di verità di base.  

Quest’ultime (Ground Truth Labels) sono le classificazioni o le annotazioni corrette associate ai dati utilizzati per addestrare un modello di intelligenza artificiale. Ad esempio, se si addestra un modello per riconoscere patologie oculari da immagini oculari, le etichette di verità di base indicheranno se ciascuna immagine mostra o meno la presenza di una malattia. Queste etichette servono come punto di riferimento per l'IA, consentendo di apprendere e migliorare le capacità di classificazione. La creazione di quest’ultime è un processo in cui gli oftalmologi analizzano le immagini e le annotano con le informazioni corrette. Ad esempio, possono esaminare un'immagine oculare e determinare se mostra una retinopatia diabetica o se è sana, creando le etichette di verità di base per il training dell'IA.  

Queste etichette sono fondamentali nell'addestramento dell'IA poiché consentono al modello di apprendimento automatico di capire cosa sta cercando di riconoscere o predire. Senza etichette corrette, l'IA non può apprendere in modo efficace e potrebbe produrre risultati errati.  

Nel contesto delle sfide e dei limiti dell'IA nell'assistenza sanitaria, è importante sottolineare che le etichette di verità di base devono essere accurate e attendibili. Se queste etichette sono erronee, l'IA addestrata su di esse rischia di produrre risultati errati. Pertanto, la creazione di etichette di verità di base affidabili è una delle sfide chiave nell'utilizzo dell'IA per scopi medici. 

Regolamentazione e Uso Clinico 

L'uso dell'IA in optometria è soggetto a regolamentazioni specifiche. In molti paesi, il software utilizzato per scopi medici richiede approvazioni normative.  

Prima di tutto, è essenziale che il sistema abbia l'approvazione normativa nella giurisdizione in cui viene utilizzato. Inoltre, il modello di IA dovrebbe essere progettato per uno scopo specifico e avere sensibilità e specificità adeguate alle esigenze dei medici. 

È fondamentale verificare la rappresentatività della popolazione target nei dati di addestramento. Se il sistema deve essere utilizzato con gruppi minoritari, è necessario assicurarsi che i dati riflettano questa diversità. 

Infine, è consigliabile che l'IA possa spiegare i risultati, specialmente quando è utilizzata in situazioni che richiedono decisioni critiche. 

Conclusione 

L'IA ha il potenziale per rivoluzionare l'optometria, migliorando la diagnosi e la gestione delle condizioni oculari. Tuttavia, il suo successo dipende dall'adeguata comprensione dei processi sottostanti e dalla consapevolezza delle sfide e dei limiti. L'IA dovrebbe essere vista come uno strumento clinico, non come un sostituto dell'esame completo da parte del medico. Con una corretta approvazione normativa, progettazione mirata, sensibilità e specificità adeguate e interpretazione corretta dei risultati, l'IA può portare notevoli vantaggi sia per i medici che per gli optometristi. 

Commento

Per dare un’idea sulla precisione di questo strumento, M. M. Hasan et. Al (2023) hanno rivisto la maggior parte degli articoli pubblicati sulla diagnosi basata sull'intelligenza artificiale del glaucoma e delle malattie neurodegenerative negli ultimi dieci anni.  

L’analisi degli studi inclusi dimostra il contributo sostanziale dell’intelligenza artificiale nella diagnosi con un'accuratezza del 67–98%, area sotto la curva: 0,71–0,98, che supera la diagnosi umana con un’accuratezza del 71,5%, area sotto la curva curva: 0,86.  

Questo articolo si concentra sull’applicazione clinica, sarebbe interessante approfondire l’applicazione dell’IA nel campo refrattivo, di come possa essere collegata con i forotteri digitali (magari a variazioni di potere continue vedi: BOOM #016) per assistere l’optometrista a 360°. 

Dovremmo essere preoccupati? 

Lo scenario apocalittico in cui l'intelligenza artificiale rende gli optometristi ridondanti sta forse superando lo stato attuale delle cose.  

Un approccio più illuminato consiste nell’abbracciare l’intelligenza artificiale come tecnologia assistiva. Si tratta di un percorso che l'optometria ha già intrapreso, per quanto riguarda l’OCT-A, soluzioni basate sul deep learning per pazienti con perdita della vista e lo sviluppo di un assistente digitale basato sul dialogo generato dall'intelligenza artificiale.  

Nello stesso articolo citato in precedenza di revisione sull'utilizzo dell'intelligenza artificiale in optometria, Murphy et al. 2023 esprimono l'opinione per la quale al momento, i sistemi di intelligenza artificiale funzionano bene in un contesto optometrico, ma sono spesso "scatole nere" che offrono poca o nessuna visione di come vengono raggiunte le decisioni. 

Gli autori presentano un'interessante panoramica su come funzionano i sistemi di intelligenza artificiale in optometria, i loro punti di forza, di debolezza e le considerazioni normative.  

Concludono fornendo una preziosa lista di controllo per aiutare gli optometristi a valutare il vero valore dei sistemi di intelligenza artificiale relativi all'optometria. In questo modo, noi optometristi umani possiamo restare in vantaggio... per adesso. 

Come parlare di intelligenza artificiale senza utilizzarla? 

Questo articolo è stato scritto con l’aiuto di Chat-GPT 3.5.