O papel da Inteligência Artificial no rastreio automatizado da retinopatia diabética
DOI:
https://doi.org/10.25758/set.916Palavras-chave:
Inteligência Artificial, Retinopatia diabética, Rastreio automatizadoResumo
A retinopatia diabética (RD) é uma complicação microvascular grave da diabetes mellitus e uma das principais causas de cegueira evitável em adultos. Este estudo analisa o impacto da Inteligência Artificial (IA) no rastreio automatizado da RD, destacando sua capacidade de melhorar a precisão e a eficiência das triagens. A IA permite a detecção precoce da doença, com a redução da dependência de especialistas e o aumento do acesso a cuidados em regiões com poucos recursos. As tecnologias discutidas incluem algoritmos avançados de aprendizagem profunda e técnicas de explicabilidade, que ajudam a interpretar os resultados clínicos. Apesar dos avanços, barreiras como a falta de padronização de dados, questões éticas e limitações na generalização das estruturas de IA precisam ser superadas. O estudo conclui que a IA representa uma ferramenta promissora no manejo da RD, com potencial para transformar a identificação da doença e prevenir complicações visuais graves em diferentes contextos socioeconômicos.
Downloads
Referências
Bortoli JQ, Silber PC, Picetti E, Silva CF, Pakter HM. Retinografia como forma de rastreio de retinopatia diabética em hospital terciário do Sistema Único de Saúde [Color retinography as a means of screening for diabetic retinopathy in the tertiary hospital of Unified Health System]. Rev Bras Oftalmol. 2022;81:e0057. Portuguese
Sheng B, Chen X, Li T, Ma T, Yang Y, Bi L, et al. An overview of artificial intelligence in diabetic retinopathy and other ocular diseases. Front Public Health. 2022;10:971943.
Galvão FM, Silva YP, Resende MI, Barbosa FR, Martins TA, Carneiro LB. Prevalência e fatores de risco para retinopatia diabética em pacientes diabéticos atendidos por demanda espontânea: um estudo transversal [Prevalence and risk factors of diabetic retinopathy in patients with diabetes seen by unscheduled demand: a cross-sectional study]. Rev Bras Oftalmol. 2021;80(3):e0006. Portuguese
Jabbar MK, Yan J, Xu H, Ur Rehman Z, Jabbar A. Transfer learning-based model for diabetic retinopathy diagnosis using retinal images. Brain Sci. 2022;12(5):535. Erratum in: Brain Sci. 2024;14(8):777.
Guerra DK, Silva WM, Calixto TB, Menezes PH, Silveira NR, Ferreira MA, et al. Estratégias de prevenção para retinopatia diabética em pacientes com diabetes tipo 2 [Prevention strategies for diabetic retinopathy in patients with type 2 diabetes]. Rev Centro Pesq Avançadas Qual Vida. 2024;16(2). Portuguese
Cruvinel ME, Macêdo SE, Carvalho EA, Peres JC, Rodrigues IS, Ferreira JP, et al. Exames disponíveis para o diagnóstico da retinopatia diabética: uma revisão [Available tests for diagnosis of diabetic retinopathy: a review]. Braz J Health Rev. 2023;6(3):9346-53. Portuguese
Wu JH, Liu TY, Hsu WT, Ho JH, Lee CC. Performance and limitation of machine learning algorithms for diabetic retinopathy screening: meta-analysis. J Med Internet Res. 2021;23(7):e23863.
Carvalho BF, Carvalho LF, Takahashi IM, Libânio PG, Vieira GG, Carvalho RN. O uso da inteligência artificial para diagnóstico da retinopatia diabética: uma revisão narrativa [The use of artificial intelligence for diagnosis of diabetic retinopathy: a narrative review]. Rev Med Minas Gerais. 2022;32 Suppl 01:S42-5. Portuguese
Luo X, Wang W, Xu Y, Lai Z, Jin X, Zhang B, et al. A deep convolutional neural network for diabetic retinopathy detection via mining local and long-range dependence. CAAI Trans Intell Technol. 2024;9(1):153-66.
Grauslund J. Diabetic retinopathy screening in the emerging era of artificial intelligence. Diabetologia. 2022;65(9):1415-23.
Li S, Zhao R, Zou H. Artificial intelligence for diabetic retinopathy. Chin Med J (Engl). 2021;135(3):253-60.
Arwany MZ, Sahyoun AH, Yaqub M. Deep learning techniques for diabetic retinopathy classification: a survey. IEEE Access. 2022;10:28642-53.
Fayyaz AM, Sharif MI, Azam S, Karim A, El-Den J. Analysis of diabetic retinopathy (DR) based on the deep learning. Information. 2023;14(1):30.
Quellec G, Al Hajj H, Lamard M, Conze PH, Massin P, Cochener B. ExplAIn: explanatory artificial intelligence for diabetic retinopathy diagnosis. Med Image Anal. 2021;72:102118.
Haq NU, Waheed T, Ishaq K, Hassan MA, Safie N, Elias NF, et al. Computationally efficient deep learning models for diabetic retinopathy detection: a systematic literature review. Artif Intell Rev. 2024;57:309-47.
Lim JI, Regillo CD, Sadda SR, Ipp E, Bhaskaranand M, Ramachandra C, et al. Artificial Intelligence detection of diabetic retinopathy: subgroup comparison of the EyeArt system with ophthalmologists' dilated examinations. Ophthalmol Sci. 2022;3(1):100228.
Senapati A, Tripathy HK, Sharma V, Gandomi AH. Artificial intelligence for diabetic retinopathy detection: a systematic review. Inform Med Unlocked. 2024;45:101445.
Oliveira LE, Silva MC, Santiago RV, Benevides CA, Cunha CC, Matos AG. Diagnóstico da retinopatia diabética por inteligência artificial por meio de smartphone [Diagnosis of diabetic retinopathy by artificial intelligence using smartphone]. Rev Bras Oftalmol. 2024;83:e0006. Portuguese
Lin CL, Wu KC. Development of revised ResNet-50 for diabetic retinopathy detection. BMC Bioinformatics. 2023;24(1):157.
Alyoubi WL, Abulkhair MF, Shalash WM. Diabetic retinopathy fundus image classification and lesions localization system using deep learning. Sensors (Basel). 2021;21(11):3704.
Alqaralleh BA, Aldhaban F, Abukaraki A, AlQaralleh EA. Evolutionary intelligence and deep learning enabled diabetic retinopathy classification model. Comp Mater Contin. 2022;73(1):87-101.
Bilal A, Zhu L, Deng A, Lu H, Wu N. AI-based automatic detection and classification of diabetic retinopathy using U-Net and deep learning. Symmetry. 2022;14(7):1427.
Thanekachalam V, Kavitha MG, Sivamurugan V. Diabetic retinopathy diagnosis using interval neutrosophic segmentation with deep learning model. Comp Syst Sci Eng. 2023;44(3):2129-45.
Downloads
Publicado
Edição
Secção
Licença
Direitos de Autor (c) 2025 Saúde & Tecnologia
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição-NãoComercial-SemDerivações 4.0.
A revista Saúde & Tecnologia oferece acesso livre imediato ao seu conteúdo, seguindo o princípio de que disponibilizar gratuitamente o conhecimento científico ao público proporciona maior democratização mundial do conhecimento.
A revista Saúde & Tecnologia não cobra, aos autores, taxas referentes à submissão nem ao processamento de artigos (APC).
Todos os conteúdos estão licenciados de acordo com uma licença Creative Commons CC-BY-NC-ND. Os autores têm direito a: reproduzir o seu trabalho em suporte físico ou digital para uso pessoal, profissional ou para ensino, mas não para uso comercial (incluindo venda do direito a aceder ao artigo); depositar no seu sítio da internet, da sua instituição ou num repositório uma cópia exata em formato eletrónico do artigo publicado pela Saúde & Tecnologia, desde que seja feita referência à sua publicação na Saúde & Tecnologia e o seu conteúdo (incluindo símbolos que identifiquem a revista) não seja alterado; publicar em livro de que sejam autores ou editores o conteúdo total ou parcial do manuscrito, desde que seja feita referência à sua publicação na Saúde & Tecnologia.
