Deep learning for detection of age-related macular degeneration: A systematic review and meta-analysis of diagnostic test accuracy studies

Abstract

Objective To evaluate the diagnostic accuracy of deep learning algorithms to identify age-related macular degeneration and to explore factors impacting the results for future model training. Methods Diagnostic accuracy studies published in PubMed, EMBASE, the Cochrane Library, and ClinicalTrails.gov before 11 August 2022 which employed deep learning for age-related macular degeneration detection were identified and extracted by two independent researchers. Sensitivity analysis, subgroup, and meta-regression were performed by Review Manager 5.4.1, Meta-disc 1.4, and Stata 16.0. The risk of bias was assessed using QUADAS-2. The review was registered (PROSPERO CRD42022352753). Results The pooled sensitivity and specificity in this meta-analysis were 94% (P = 0, 95% CI 0.94–0.94, I2 = 99.7%) and 97% (P = 0, 95% CI 0.97–0.97, I2 = 99.6%), respectively. The pooled positive likelihood ratio, negative likelihood ratio, diagnostic odds ratio, and the area under the curve value were 21.77(95% CI 15.49–30.59), 0.06 (95% CI 0.04–0.09), 342.41 (95% CI 210.31–557.49), and 0.9925, respectively. Meta-regression indicated that types of AMD (P = 0.1882, RDOR = 36.03) and layers of the network (P = 0.4878, RDOR = 0.74) contributed to the heterogeneity. Conclusions Convolutional neural networks are mostly adopted deep learning algorithms in age-related macular degeneration detection. Convolutional neural networks, especially ResNets, are effective in detecting age-related macular degeneration with high diagnostic accuracy. Types of age-related macular degeneration and layers of the network are the two essential factors that impact the model training process. Proper layers of the network will make the model more reliable. More datasets established by new diagnostic methods will be used to train deep learning models in the future, which will benefit for fundus application screening, long-range medical treatment, and reducing the workload of physicians.

Avanços recentes da IA na oftalmologia - revisão de literatura

“…(Martins et al, 2022) 3.3 DEGENERAÇÃO MACULAR RELACIONADA À IDADE Uma recente metanálise e revisão sistemática publicada no PLOS ONE investigou as capacidades dos modelos de DL, particularmente sobre as CNNs, na detecção e diagnóstico da degeneração macular relacionada à idade (DMRI), uma das principais causas de perda irreversível de visão severa em países desenvolvidos. (Leng et al, 2023) O estudo destaca a crescente necessidade de sistemas eficientes de triagem e monitoramento devido ao aumento da prevalência da DMRI, que se espera afetar 288 milhões de pessoas até 2040. Como dito anteriormente, o subconjunto de aprendizado de máquina que envolve redes neurais multicamadas, como as redes convolucionais, se destaca no reconhecimento de imagens e visão computacional, tornando-se uma ferramenta promissora para a análise de imagens médicas como a fotografia de fundo de olho e a OCT. A revisão observou o uso de vários conjuntos de dados públicos e privados para treinar esses modelos, sublinhando o potencial da tecnologia DL para aprimorar o atendimento primário dos olhos, auxiliando na triagem e monitoramento de pacientes com DMRI.…”

“…Como dito anteriormente, o subconjunto de aprendizado de máquina que envolve redes neurais multicamadas, como as redes convolucionais, se destaca no reconhecimento de imagens e visão computacional, tornando-se uma ferramenta promissora para a análise de imagens médicas como a fotografia de fundo de olho e a OCT. A revisão observou o uso de vários conjuntos de dados públicos e privados para treinar esses modelos, sublinhando o potencial da tecnologia DL para aprimorar o atendimento primário dos olhos, auxiliando na triagem e monitoramento de pacientes com DMRI. (Leng et al, 2023) A metanálise sobre a detecção da DMRI usando modelos de aprendizado profundo como ResNext, ResNet, CapsNet, AlexNet, DenseNet e etc., utilizou >750.000 imagens (figura 5).…”

“…A análise ressaltou a eficácia das redes neurais convolucionais, especialmente das ResNets, na identificação da DMRI, com uma precisão diagnóstica elevada. (Leng et al, 2023) Brazilian Journal of Health Review, Curitiba, v. 7, n. 3, p. 01-19, may/jun., 2024 A sensibilidade e a especificidade agrupadas nesta metanálise foram de 94% (P = 0, IC 95% 0,94-0,94, I2 = 99,7%) e 97% (P = 0, IC 95% 0,97-0,97, I2 = 99,6%), respectivamente. A razão de verossimilhança positiva combinada, a razão de verossimilhança negativa, a razão de chances de diagnóstico e o valor da área sob a curva foram 21,77 (IC 95% 15,49-30,59), 0,06 (IC 95% 0,04-0,09), 342,41 (IC 95% 210,49).)…”

“…A metaregressão indicou que os tipos de AMD (P = 0,1882, RDOR = 36,03) e camadas da rede (P = 0,4878, RDOR = 0,74) contribuíram para a heterogeneidade. (Leng et al, 2023) Para a DMRI, a revisão discute algoritmos de IA que analisam tanto fotos de fundo de olho quanto imagens de tomografia de coerência óptica (figura 6). Descobertas notáveis incluem o algoritmo de Ting et al, que alcançou uma sensibilidade de 93,2% e especificidade de 88,2% para classificar a gravidade da DMRI.…”

“…Descobertas notáveis incluem o algoritmo de Ting et al, que alcançou uma sensibilidade de 93,2% e especificidade de 88,2% para classificar a gravidade da DMRI. (Martins et al, 2022) Figura 6 -Sensibilidade e especificidade Fonte: Leng et al, 2023 3.4 GLAUCOMA Um dos aspectos enfatizados é a aplicação da IA na triagem de glaucoma em ambientes de cuidados primários, usando fotografias ópticas do nervo não-midriático, uma abordagem que já vem sendo utilizada na detecção da retinopatia diabética através de algoritmos aprovados pela FDA. (Martins et al, 2022) A ausência de um consenso claro sobre a definição de glaucoma e a variabilidade da doença entre diferentes populações são barreiras significativas.…”