Código
P53
Área Técnica
Retina
Instituição onde foi realizado o trabalho
- Principal: Fundação Leiria de Andrade
Autores
- LUIZ EDUARDO SILVA DE OLIVEIRA (Interesse Comercial: NÃO)
- ALEXIS GALENO MATOS (Interesse Comercial: NÃO)
- CAIO CESAR HENRIQUE CUNHA (Interesse Comercial: NÃO)
- CILIS ARAGÃO BENEVIDES (Interesse Comercial: NÃO)
- MARCELO COLARES DA SILVA (Interesse Comercial: NÃO)
- PEDRO PEDROSA REBOUÇAS FILHO (Interesse Comercial: NÃO)
- RHUAN VICTOR CRESCÊNCIO DE SANTIAGO (Interesse Comercial: NÃO)
Título
DIAGNÓSTICO DA RETINOPATIA DIABÉTICA POR INTELIGÊNCIA ARTIFICIAL COM USO DE SMARTPHONE
Objetivo
Visando otimizar o diagnóstico e o encaminhamento para centros especializados, buscou-se obter, por meio de um equipamento portátil e de baixo custo, imagens de fundoscopia, submetendo-as à avaliação de uma inteligência artificial (IA) para detectar a presença ou ausência de retinopatia diabética (RD), bem como estimar a gravidade de doença.
Método
Por meio de um smartphone acoplado a um dispositivo com lente de 20 dioptrias, sendo este dispositivo de fabricação própria gerada por impressora 3D, foram obtidas imagens de fundo de olhos de pacientes diabéticos. Posteriormente, um algoritmo de IA hospedado em nuvem avaliou essas imagens armazenadas em banco dados para classificar a presença ou ausência (análise binária) da RD. Também foi realizada uma análise cruzada com imagens fundoscópicas captadas por retinógrafo e com o smartphone. Na etapa seguinte, aplicou-se um algoritmo para estimar a severidade de doença (análise multiclasse) nas imagens com presença de RD. Todas as imagens foram classificadas previamente por 02 (dois) especialistas. Avaliou-se a acurácia e a reprodutibilidade da IA.
Resultado
Foram avaliadas pela IA um total de 436 imagens de fundoscopia ocular (157 normais e 279 com alterações de RD) obtidas por smartphone, apresentando predição diagnóstica em torno de 80% a 100% na classificação da presença ou ausência de RD (análise binária), utilizando diversos modelos de extratores e classificadores, tendo o extrator INCEPTIONV3 e os classificadores RANDOM FOREST, SVMPOLY e DECISION TREE os melhores resultados (100%). Na avaliação de estimativa de severidade de doença (análise multiclasse), o extrator INCEPTIONV3 e os classificadores RANDOM FOREST, SVMPOLY, SVMLINEAR E DECISION TREE demonstraram valores de 100%.
Conclusão
A abordagem usando dispositivo portátil de baixo custo apresentou eficácia satisfatória na triagem de pacientes diabéticos com ou sem retinopatia diabética, sendo útil e oportuno para uso em locais sem condições de infraestrutura.
Número de protocolo de comunicação à Anvisa: 2022379801