Background: Diabetic macular edema (DME) is one of the leading causes of blindness among working-age individuals in developed countries. It is a condition with a complex pathophysiology, for which in-depth morphological characterization through OCT is increasingly important. Central subfield thickness (CST), the traditional parameter, has limitations, while new biomarkers—such as hyperreflective foci (HRF), intraretinal fluid (IRF), subretinal fluid (SRF), and the integrity of the external limiting membrane (ELM) and ellipsoid zone (EZ)provide more specific information. However, their manual evaluation is time- and resource-consuming. The use of artificial intelligence algorithms tailored to DME can facilitate the analysis of these biomarkers, support personalized therapeutic decisions, and optimize healthcare resource utilization. Primary Objective: the primary objective of this study was to categorize eyes affected by DME based on the main OCT morphological biomarkers automatically detected and quantified using an artificial intelligence software. Additionally, all eyes were divided into two groups: those treated and those not treated, between baseline and follow-up. The two groups were further categorized, and changes in biomarkers were evaluated based on the different identified clusters. Secondly, the accuracy of the data quantification produced by the software was assessed against clinical evaluation. Materials and Methods: this retrospective longitudinal observational study analyzed data from four Italian referral centers specialized in diabetic retinopathy and maculopathy. Eyes of adults diagnosed with type 1 or type 2 diabetes mellitus, according to the WHO diagnostic criteria (2011), and with the presence of DME were included. OCT scans were acquired using SD-OCT Spectralis HRA+OCT, including both volumetric and high-resolution linear scans. The parameters assessed included IRF and SRF volumes, percentage of IRF in ETDRS sectors, disruption of the ELM and EZ, and the number of HRF. The accuracy of the AI software was compared with manual clinical assessment. Results: at baseline clustering analysis based on OCT biomarkers identified three morphologically and functionally distinct phenotypes: an advanced phenotype with widespread IRF, presence of SRF, disruptions of the ELM and EZ, numerous HRF, CST >400 μm, and poor visual acuity; a mild phenotype with limited central IRF, absence of SRF, intact ELM and EZ, CST <400 μm, and good visual function; an intermediate phenotype with peripherally distributed IRF, no SRF, preserved outer retinal layers, and good visual acuity. When comparing treated and untreated patients, visual acuity and the key biomarkers significantly improved after treatment. Clustering of the treated group revealed three subgroups: a mild phenotype showing post-treatment morphological stability; an intermediate phenotype with central IRF, absence of SRF, and preserved ELM; and a severe phenotype showing a significant anatomical response to treatment but little to no change in visual acuity. The ellipsoid zone appeared to be more susceptible to damage than the ELM. Clustering of the untreated patients also identified three phenotypes: a severe phenotype with relative morphological stability and spontaneous improvement of ELM and EZ at follow up; a mild phenotype showing minimal worsening over time; and an intermediate phenotype with a centripetal migration of IRF and associated worsening of CST and visual acuity. Conclusions: this study confirms the complexity and heterogeneity of DME, emphasizing the value of a phenotypic classification based on key OCT biomarkers. The application of artificial intelligence algorithms enables a faster, more accurate, and objective analysis of these biomarkers, enhancing the understanding of distinct disease phenotypes with relevant prognostic, clinical, and therapeutic implications.

Presupposti dello studio: l’edema maculare diabetico EMD rappresenta una delle principali cause di cecità nelle persone in età lavorativa nei paesi sviluppati. È una patologia dalla complessa eziopatogenesi, per la quale è sempre più importante una caratterizzazione morfologica approfondita tramite OCT. Lo spessore centrale retinico (CST), parametro tradizionale, presenta dei limiti mentre nuovi biomarcatori come i foci iperreflettenti (HRF), il fluido intra- (IRF) e sottoretinico (SRF), l’integrità della membrana limitante esterna (ELM) e della zona ellissoide (EZ), offrono informazioni più specifiche. La loro valutazione manuale risulta però dispendiosa in termini di tempo e risorse. L’uso di algoritmi di intelligenza artificiale specifici per l’EMD può facilitare l’analisi di questi biomarcatori, supportando decisioni terapeutiche personalizzate e ottimizzando le risorse sanitarie. Obiettivi dello studio: L’obiettivo primario dello studio è stato quello di categorizzare occhi affetti da EMD in base ai principali biomarkers OCT automaticamente individuati e quantificati mediante software di intelligenza artificiale. Tali occhi sono stati poi suddivisi tra quelli sottoposti e non a trattamento tra il baseline e il follow-up. I due gruppi sono stati ulteriormente categorizzati e sono state valutate le modifiche dei biomarkers in base ai diversi cluster individuati. Secondariamente è stata valutata l’accuratezza della quantificazione dati prodotti dal software, rispetto alla valutazione clinica. Materiali e Metodi: E’ stato svolto uno studio osservazionale longitudinale retrospettivo che ha analizzato i dati provenienti da quattro centri di riferimento italiani per la retinopatia e maculopatia diabetica. Sono stati inclusi occhi di adulti con diagnosi di diabete di tipo 1 e 2 secondo i criteri diagnostici della WHO (2011), e presenza di EMD. Le scansioni OCT sono state eseguite con SD-OCT Spectralis HRA+OCT, includendo sia le volumetriche che le lineari, ad alta risoluzione. I parametri valutati includevano i volumi IRF e SRF, la percentuale di IRF nei settori ETDRS, l’interruzione di ELM e di EZ, il numero di HRF. L’accuratezza del software AI è stata confrontata con la valutazione clinica. Risultati: l’analisi del campione al basale mediante clustering secondo i biomarcatori OCT, ha prodotto tre fenotipi distinti: un fenotipo avanzato con IRF diffuso, presenza di SRF e interruzioni di ELM/EZ, numerosi HRF, CST>400 μm e bassa acuità visiva; un fenotipo benigno con IRF centrale limitato, SRF assente, ELM/EZ integre, CST<400 μm e buona funzione visiva; un fenotipo intermedio con IRF periferico, SRF assente, ELM/EZ conservate e buona acuità visiva. L’analisi comparativa tra pazienti trattati e non trattati ha evidenziato un miglioramento dell’acuità visiva e dei principali biomarkers dopo terapia. Il clustering sul campione dei pazienti trattati ha prodotto 3 cluster: un fenotipo lieve con stabilità morfo-strutturale post-trattamento; un fenotipo intermedio con IRF centrale ma assenza di SRF e ELM integra; un fenotipo severo con ottima risposta anatomica al trattamento ma acuità visiva invariata. La zona dell’elissoide si è dimostrata più vulnerabile rispetto ad ELM. Il clustering nei pazienti non trattati ha prodotto 3 cluster: un fenotipo severo piuttosto stabile con miglioramento spontaneo di ELM ed EZ al follow up; un fenotipo lieve poco peggiorato al follow up; un fenotipo intermedio con migrazione centrale di fluido e associato peggioramento funzionale. Conclusioni: lo studio conferma la complessità e l’eterogeneità dell’EMD, evidenziando l’utilità di una classificazione fenotipica basata sui principali biomarcatori OCT. L’uso di algoritmi di intelligenza artificiale rende l’analisi di questi biomarcatori più rapida, accurata e oggettiva, favorendo una migliore comprensione dei diversi fenotipi, con importanti implicazioni prognostiche

OCT e Intelligenza Artificiale nella diagnostica dell'edema maculare diabetico

LAZZAROTTO, FILIPPO
2024/2025

Abstract

Background: Diabetic macular edema (DME) is one of the leading causes of blindness among working-age individuals in developed countries. It is a condition with a complex pathophysiology, for which in-depth morphological characterization through OCT is increasingly important. Central subfield thickness (CST), the traditional parameter, has limitations, while new biomarkers—such as hyperreflective foci (HRF), intraretinal fluid (IRF), subretinal fluid (SRF), and the integrity of the external limiting membrane (ELM) and ellipsoid zone (EZ)provide more specific information. However, their manual evaluation is time- and resource-consuming. The use of artificial intelligence algorithms tailored to DME can facilitate the analysis of these biomarkers, support personalized therapeutic decisions, and optimize healthcare resource utilization. Primary Objective: the primary objective of this study was to categorize eyes affected by DME based on the main OCT morphological biomarkers automatically detected and quantified using an artificial intelligence software. Additionally, all eyes were divided into two groups: those treated and those not treated, between baseline and follow-up. The two groups were further categorized, and changes in biomarkers were evaluated based on the different identified clusters. Secondly, the accuracy of the data quantification produced by the software was assessed against clinical evaluation. Materials and Methods: this retrospective longitudinal observational study analyzed data from four Italian referral centers specialized in diabetic retinopathy and maculopathy. Eyes of adults diagnosed with type 1 or type 2 diabetes mellitus, according to the WHO diagnostic criteria (2011), and with the presence of DME were included. OCT scans were acquired using SD-OCT Spectralis HRA+OCT, including both volumetric and high-resolution linear scans. The parameters assessed included IRF and SRF volumes, percentage of IRF in ETDRS sectors, disruption of the ELM and EZ, and the number of HRF. The accuracy of the AI software was compared with manual clinical assessment. Results: at baseline clustering analysis based on OCT biomarkers identified three morphologically and functionally distinct phenotypes: an advanced phenotype with widespread IRF, presence of SRF, disruptions of the ELM and EZ, numerous HRF, CST >400 μm, and poor visual acuity; a mild phenotype with limited central IRF, absence of SRF, intact ELM and EZ, CST <400 μm, and good visual function; an intermediate phenotype with peripherally distributed IRF, no SRF, preserved outer retinal layers, and good visual acuity. When comparing treated and untreated patients, visual acuity and the key biomarkers significantly improved after treatment. Clustering of the treated group revealed three subgroups: a mild phenotype showing post-treatment morphological stability; an intermediate phenotype with central IRF, absence of SRF, and preserved ELM; and a severe phenotype showing a significant anatomical response to treatment but little to no change in visual acuity. The ellipsoid zone appeared to be more susceptible to damage than the ELM. Clustering of the untreated patients also identified three phenotypes: a severe phenotype with relative morphological stability and spontaneous improvement of ELM and EZ at follow up; a mild phenotype showing minimal worsening over time; and an intermediate phenotype with a centripetal migration of IRF and associated worsening of CST and visual acuity. Conclusions: this study confirms the complexity and heterogeneity of DME, emphasizing the value of a phenotypic classification based on key OCT biomarkers. The application of artificial intelligence algorithms enables a faster, more accurate, and objective analysis of these biomarkers, enhancing the understanding of distinct disease phenotypes with relevant prognostic, clinical, and therapeutic implications.
Dipartimento di Medicina - DIMED
2024
OCT and Artificial Intelligence in the diagnosis of diabetic macular edema
Presupposti dello studio: l’edema maculare diabetico EMD rappresenta una delle principali cause di cecità nelle persone in età lavorativa nei paesi sviluppati. È una patologia dalla complessa eziopatogenesi, per la quale è sempre più importante una caratterizzazione morfologica approfondita tramite OCT. Lo spessore centrale retinico (CST), parametro tradizionale, presenta dei limiti mentre nuovi biomarcatori come i foci iperreflettenti (HRF), il fluido intra- (IRF) e sottoretinico (SRF), l’integrità della membrana limitante esterna (ELM) e della zona ellissoide (EZ), offrono informazioni più specifiche. La loro valutazione manuale risulta però dispendiosa in termini di tempo e risorse. L’uso di algoritmi di intelligenza artificiale specifici per l’EMD può facilitare l’analisi di questi biomarcatori, supportando decisioni terapeutiche personalizzate e ottimizzando le risorse sanitarie. Obiettivi dello studio: L’obiettivo primario dello studio è stato quello di categorizzare occhi affetti da EMD in base ai principali biomarkers OCT automaticamente individuati e quantificati mediante software di intelligenza artificiale. Tali occhi sono stati poi suddivisi tra quelli sottoposti e non a trattamento tra il baseline e il follow-up. I due gruppi sono stati ulteriormente categorizzati e sono state valutate le modifiche dei biomarkers in base ai diversi cluster individuati. Secondariamente è stata valutata l’accuratezza della quantificazione dati prodotti dal software, rispetto alla valutazione clinica. Materiali e Metodi: E’ stato svolto uno studio osservazionale longitudinale retrospettivo che ha analizzato i dati provenienti da quattro centri di riferimento italiani per la retinopatia e maculopatia diabetica. Sono stati inclusi occhi di adulti con diagnosi di diabete di tipo 1 e 2 secondo i criteri diagnostici della WHO (2011), e presenza di EMD. Le scansioni OCT sono state eseguite con SD-OCT Spectralis HRA+OCT, includendo sia le volumetriche che le lineari, ad alta risoluzione. I parametri valutati includevano i volumi IRF e SRF, la percentuale di IRF nei settori ETDRS, l’interruzione di ELM e di EZ, il numero di HRF. L’accuratezza del software AI è stata confrontata con la valutazione clinica. Risultati: l’analisi del campione al basale mediante clustering secondo i biomarcatori OCT, ha prodotto tre fenotipi distinti: un fenotipo avanzato con IRF diffuso, presenza di SRF e interruzioni di ELM/EZ, numerosi HRF, CST>400 μm e bassa acuità visiva; un fenotipo benigno con IRF centrale limitato, SRF assente, ELM/EZ integre, CST<400 μm e buona funzione visiva; un fenotipo intermedio con IRF periferico, SRF assente, ELM/EZ conservate e buona acuità visiva. L’analisi comparativa tra pazienti trattati e non trattati ha evidenziato un miglioramento dell’acuità visiva e dei principali biomarkers dopo terapia. Il clustering sul campione dei pazienti trattati ha prodotto 3 cluster: un fenotipo lieve con stabilità morfo-strutturale post-trattamento; un fenotipo intermedio con IRF centrale ma assenza di SRF e ELM integra; un fenotipo severo con ottima risposta anatomica al trattamento ma acuità visiva invariata. La zona dell’elissoide si è dimostrata più vulnerabile rispetto ad ELM. Il clustering nei pazienti non trattati ha prodotto 3 cluster: un fenotipo severo piuttosto stabile con miglioramento spontaneo di ELM ed EZ al follow up; un fenotipo lieve poco peggiorato al follow up; un fenotipo intermedio con migrazione centrale di fluido e associato peggioramento funzionale. Conclusioni: lo studio conferma la complessità e l’eterogeneità dell’EMD, evidenziando l’utilità di una classificazione fenotipica basata sui principali biomarcatori OCT. L’uso di algoritmi di intelligenza artificiale rende l’analisi di questi biomarcatori più rapida, accurata e oggettiva, favorendo una migliore comprensione dei diversi fenotipi, con importanti implicazioni prognostiche
retinopatia
diabetica
AI
OCT
edema maculare
MIDENA, EDOARDO
FRIZZIERO, LUISA
Lauree magistrali a ciclo unico
File in questo prodotto:
File Dimensione Formato  
Lazzarotto_Filippo.pdf

Accesso riservato

Dimensione 4.23 MB
Formato Adobe PDF
4.23 MB Adobe PDF

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/86278