Diagnoza niedoboru żelaza za pomocą sztucznej inteligencji Analiza fotografii oka. (CaFerIA)

Obecnie diagnostyka niedoboru żelaza jest inwazyjna, ponieważ wymaga nakłucia żyły w celu oznaczenia stężenia ferrytyny w surowicy oraz morfologii krwi w celu rozpoznania niedokrwistości z niedoboru żelaza. Ta dawka jest droga i stanowi główny hamulec w szeroko zakrojonych badaniach przesiewowych niedoboru żelaza, zwłaszcza w krajach rozwijających się. Większość objawów klinicznych niedoboru żelaza (osłabienie, zapalenie warg, zapalenie języka, łysienie, zespół niespokojnych nóg) jest mało swoista, a rozpoznanie najczęściej jest przypadkowe lub przeprowadzane w ramach badań przesiewowych w populacji ryzyka.

Żelazo jest niezbędne do wielu funkcji organizmu, w tym do syntezy kolagenu: w przypadku jego niedoboru jest produkowane ze zmienioną i drobniejszą strukturą. W oczach twardówka składa się z kolagenu typu IV, którego ścieńczenie powoduje uwidocznienie naczyń naczyniówki odpowiedzialnych za charakterystyczny niebieski odcień. Wstępne prace przeprowadzone przez nasz zespół pozwoliły zmierzyć wzrost ilości niebieskiego koloru w twardówce pacjentów z niedoborem, po raz pierwszy obiektywizując ten objaw kliniczny. Ze zdjęć oczu pacjentów wyodrębniliśmy percentyl błękitu zawarty w pikselach cyfrowych obrazów twardówki. Prace te kontynuowano przy automatyzacji rozpoznawania struktur oka, zwłaszcza twardówki.

Aby poprawić skuteczność diagnostyczną tej oryginalnej i nieinwazyjnej metody, chcemy zastosować metody głębokiego uczenia, które sprawdziły się już w kilku obszarach: związanych z okulistyką, ale także w bardzo zachęcający sposób w diagnostyce nieinwazyjnej anemii.

Celem naszej pracy jest przewidywanie wartości ferrytyny z oka, stanowiąc tym samym oryginalną, nieinwazyjną metodę diagnostyki niedoboru żelaza. Algorytm, aby mógł być używany w praktyce, musi być porównywalny z wykonaniem referencyjnego testu diagnostycznego (oznaczenie ferrytyny), pozwalający na uzyskanie czułości około 90% i swoistości > 95%.