Deteção Automática de Hiperpermeabilidade Vascular Coroideia Utilizando Estratégias de Machine Learning

Resumo

INTRODUÇÃO: O nosso objetivo foi desenvolver um sistema de inteligência artificial capaz de prever com precisão a hiperpermeabilidade vascular coroideia (CVH) usando tomografia de coerência ótica swept-source de campo alargado (SS-OCT).
MÉTODOS: Estudo observacional retrospetivo realizado em pacientes saudáveis e com coriorretinopatia serosa central (CSC). Todos os casos foram submetidos a angiografia de verde de indocianina de campo ultra-alargado (UWF ICGA) usando um dispositivo de oftalmoscopia laser de varredura confocal (SLO) e SS-OCT. Para segmentar a coroide, em cada modo B, foi desenvolvido um modelo de segmentação automática e a sua performance foi avaliada. Foram gerados mapas de espessura. Em seguida, para prever a presença de hiperpermeabilidade da coroide, com base nesses mapas, foi desenvolvido um modelo automático de classificação. Para avaliar este modelo de classificação, foi utilizado um conjunto de dados de validação, sobrepondo os mapas de espessura gerados com as imagens de ICGA.
RESULTADOS: Um total de 26 olhos de 13 pacientes com CSC e 14 olhos de 7 pacientes saudáveis foram incluídos neste estudo. O modelo de segmentação automática atingiu uma precisão de 94,72%. O modelo de classificação automática de hiperpermeabilidade com base em SS-OCT teve uma taxa de falsos positivos de 0%, mas uma taxa de falsos negativos de 18,75%.
CONCLUSÃO: Na presença de uma forte suspeita clínica de hiperpermeabilidade vascular coroideia, o modelo de classificação automática baseado em SS-OCT demonstrou ser um método de diagnóstico útil. No entanto, devido à taxa de falsos negativos, em casos em que a suspeita clínica permaneça alta e o modelo registe um resultado negativo, devemos considerar a realização de uma IGCA.