Rilevamento della progressione del cheratocono mediante l'apprendimento automatico

Il cheratocono (KC) è una malattia oculare bilaterale caratterizzata da diradamento progressivo e picchetta della cornea, di solito nella sua regione inferotemporale. La malattia si verifica spesso asimmetricamente poiché un occhio è più gravemente influenzato dalla condizione. I cambiamenti alla base del KC portano alla generazione di astigmatismo irregolare con conseguente riduzione dell'acuità visiva dei pazienti e possono persino portare a cicatrici corneali assiali in fasi avanzate. La malattia di solito si verifica nel secondo o terzo decennio di vita, ma può svilupparsi a qualsiasi età. KC è una condizione complessa che coinvolge fattori ambientali come età, sfregamento degli occhi, uso delle lenti a contatto, atopy, esposizione al sole, ormoni, tossine e una componente genetica. Tuttavia, il modo in cui questi fattori contribuiscono alla malattia è ancora sconosciuto e potrebbero esistere differenze intraindividuali.

KC può essere classificato in diverse forme in base allo stadio della malattia. Nel KC clinico, ci sono sia i risultati topografici che quelli della lampada a fessura della malattia.

L'importanza dell'imaging epiteliale corneale nella diagnosi del cheratocono è stata ulteriormente dimostrata in diversi studi clinici. Come i nuovi dispositivi di tomografia a coerenza ottica del segmento anteriore (AS-OCT) forniscono misurazioni più dettagliate ad esempio dell'epitelio corneale. Questo strato potrebbe quindi essere un marcatore interessante per la previsione della progressione di KC e contribuire alla diagnosi precedente e a un migliore risultato della malattia.

Lo scopo di questo studio retrospettivo è quindi quello di determinare se diversi dati topografici e volumetrici, ad esempio mappe di spessore epiteliale (ETM), possano essere utilizzate in modo affidabile per prevedere la progressione di KC usando un algoritmo di apprendimento automatico.