Retinopatia diabética apresenta utilização em 54 redes neurais convolucionais: uma análise do mapa de calor

PreprintNível 3 · Ciência emergentemedRxiv30 out 20260 citações

Pré-publicação. Ainda não revisada por pares; não deve orientar conduta.

O que aconteceu

Para investigar como os sistemas de inteligência artificial (AI) detectam retinopatia diabética retinopatia (DR) a partir de fotografias retinianas, analisando padrões de mapa de calor e determinando sua sobreposição com características DR. Cinquenta e quatro sistemas de IA foram desenvolvidos utilizando 27 arquiteturas de espinha dorsal, sendo cada um implementado como modelo de classificação binário-referível e multiclasse baseado na escala de classificação Internacional de Retinopatia Diabética Clínica (ICDR). Os modelos foram treinados em conjuntos de dados DDR, BRSET e Kaggle. Após o treinamento, cada modelo analisou 749 imagens com DR com anotações, com Grad-CAM, Gradientes Integrados, LIME e mapas de calor SHAP gerados e comparados com anotações em nível de pixel de microaneurismas, hemorragias, exsudatos, manchas de algodão, beading venoso, anormalidades microvasculares intrarretinais e neovascularização.

O que encontraram

Todos os modelos alcançaram desempenho preditivo aceitável (AUROC > 0,8 para a maioria das arquiteturas). A análise do mapa de calor revelou atenção consistente à região macular central e temporal. Exsudatos e manchas de lã de algodão foram mais frequentemente destacados pelos heatmaps, com beading venoso e neovascularização no disco mostrando cobertura geral ruim para classificadores binários de referência. A classificação dos modelos por escala ICDR demonstrou maior cobertura para todas as características. Foi observada variabilidade substancial entre as arquiteturas, sugerindo diferentes capacidades de detecção de características. Curiosamente, a análise do mapa de calor indicou que os modelos podem estar usando diferentes características para as definições da escala de classificação ICDR.

Por que isso importa

Os modelos de IA não se correlacionam uniformemente com todas as características da DR ao detectar DR referente, limitando seu desempenho preditivo em apresentações incomuns. A análise da agregação do mapa de calor fornece um método escalável para analisar o comportamento do modelo, permitindo avaliar os pontos fortes e fracos. Esses achados podem ajudar a melhorar a confiança e aceitação da IA pelo clínico.

Tradução automática do resumo original, publicado em medRxiv sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.