Radiomica e Intelligenza Artificiale per l’analisi del materiale iperriflettente sottoretinico nelle immagini OCT della Retina

This study introduces innovative applications of artificial intelligence to retinal OCT imaging by addressing a clinically challenging differential diagnosis: distinguishing acquired vitelliform lesions from drusen in age-related macular degeneration. Macular diseases are among the leading causes of visual impairment and blindness worldwide and their prevalence is expected to increase with population aging. Structural OCT exam represents the gold standard for non-invasive retinal imaging, enabling high-resolution visualization of retinal layers and retinal diseases. Among these, subretinal hyperreflective material (SHRM) is a frequent but non-specific biomarker observed in several macular conditions, including age-related macular degeneration (AMD), acquired vitelliform lesions (aVL) and other degenerative and neovascular disorders. Differentiating these entities can be clinically challenging, as similar morphological findings may correspond to distinct pathophysiological mechanisms and require different strategies of management. The proposed thesis in based on two lines of investigation: the development of a deep learning model designed to automatically classify OCT images into three categories: acquired vitelliform lesions, drusen associated with AMD and healthy macula; the application of radiomics to structural OCT imaging for the quantitative characterization of acquired vitelliform lesions. A Vision Transformer–based architecture incorporating a residual self-attention mechanism was implemented to enhance the model’s ability to capture both local morphological details and broader structural relationships within the retinal image. The results demonstrated high overall accuracy (approximately 97%), with balanced sensitivity and specificity across classes and excellent performance in identifying healthy controls. Compared with traditional convolutional models, the transformer-based architecture showed improved stability during training and a more focused attention on clinically relevant retinal regions. Visualization analyses confirmed that the model concentrated primarily on pathological deposits rather than surrounding retinal tissue, supporting its potential interpretability and clinical reliability. The second line of research investigated the application of radiomics to structural OCT imaging for the quantitative characterization of acquired vitelliform lesions. Radiomics enables the extraction of numerous quantitative features, that are not appreciable by visual inspection on naked human eye. By applying this approach to selected OCT scans, it was possible to describe lesion phenotypes in an objective and reproducible manner. In particular, the analysis aimed to distinguish optically empty spaces, related to dynamic changes of subretinal material, from true subretinal fluid, a distinction that is clinically relevant for the early identification of potential neovascular complications. Preliminary findings suggested that radiomic feature analysis may enhance diagnostic precision and support more accurate differentiation between clinically overlapping conditions. The integration of radiomic parameters into machine learning models provided additional discriminatory capability, highlighting the value of quantitative image analysis beyond conventional qualitative assessment. Overall, these contributions support the development of reliable and clinically integrable AI tools, highlighting the growing importance of automated systems to standardize diagnostic performance and strengthen decision-making in macular disease management. The SHARE study thus contributes to the growing body of evidence supporting artificial intelligence as a valuable tool in precision ophthalmology.

La presente tesi si inserisce nel contesto della medicina traslazionale oftalmologica con l’intento di integrare metodiche avanzate di intelligenza artificiale nell’analisi delle immagini di tomografia a coerenza ottica (OCT) strutturali della retina, con particolare attenzione al materiale iperriflettente sottoretinico (subretinal hyperreflective material, SHRM). Le patologie maculari rappresentano oggi una delle principali cause di ipovisione e cecità nel mondo occidentale, con un impatto epidemiologico in costante crescita in relazione all’invecchiamento della popolazione. In questo scenario, l’OCT costituisce l’esame di riferimento per la valutazione morfologica della macula, consentendo una visualizzazione ad alta risoluzione degli strati retinici e delle condizioni retiniche patologiche. Lo SHRM è un biomarcatore frequente ma non specifico, osservabile in diverse condizioni cliniche, quali la degenerazione maculare legata all’età (DMLE), le lesioni vitelliformi, il materiale drusenoide, le forme di maculopatia neovascolari. La distinzione tra tali entità rappresenta una sfida diagnostica rilevante, poiché reperti morfologicamente simili possono sottendere meccanismi fisiopatologici differenti e richiedere strategie terapeutiche e di follow-up profondamente diversi. L’approccio clinico tradizionale si fonda sul multimodal imaging retinico, comprendente esami OCT, angiografia OCT, autofluorescenza e, nei casi dubbi esami invasivi di angiografie con la somministrazione di coloranti intravenosi. Sebbene tale percorso sia efficace, può risultare complesso, oneroso e non sempre immediatamente disponibile, legato alla valutazione di un oculista ultraspecializzato in retina medica, oltre a presentare una componente di soggettività interpretativa. In questo contesto si colloca lo studio presentato in questa tesi con l’applicazione dell’intelligenza artificiale e, in particolare, del deep learning e della radiomica, come strumento capace di automatizzare l’analisi delle immagini e identificare pattern morfologici complessi non immediatamente evidenti all’osservatore umano. Il lavoro presentato si basa su due filoni di ricerca: lo sviluppo di un modello innovativo basato sull’architettura Vision Transformer con meccanismo di Residual Self-Attention, progettato per classificare automaticamente immagini OCT in tre categorie: lesioni vitelliformi acquisite, drusen associate a DMLE e macule sane; l’elaborazione di un modello di radiomica applicato all’OCT strutturale come metodo di caratterizzazione quantitativa delle lesioni vitelliformi acquisite per descrivere in modo oggettivo il fenotipo delle lesioni e distinguere, con maggiore accuratezza, spazi otticamente vuoti da reale fluido sotto retinico. Tale distinzione riveste un’importanza clinica cruciale, in quanto può orientare il sospetto di complicanze neovascolari e contribuire a un inquadramento diagnostico più tempestivo, riducendo il numero di esami di imaging da effettuare. Nel caso del Residual Self-Attention Vision Transformer, l’architettura proposta si basa sulla suddivisione dell’immagine in porzioni elementari (patches) e sull’elaborazione mediante meccanismi di self-attention multi-head, in grado di modellare relazioni spaziali anche a lunga distanza. L’introduzione di connessioni residue tra moduli di attenzione consecutivi consente di preservare e integrare progressivamente le informazioni apprese nei diversi livelli della rete, migliorando la stabilità dell’apprendimento e la capacità di discriminare alterazioni morfologiche sottili. Questo approccio ha permesso di catturare simultaneamente caratteristiche locali e relazioni globali, aspetto particolarmente rilevante nella differenziazione tra depositi drusenoidi e materiale vitelliforme. Il confronto con architetture consolidate basate su reti neurali convoluzionali, già note in letteratura, ha evidenziato una superiorità complessiva del modello proposto, con un’accuratezza media del 96,92%, e valori di precisione e recall elevati, bilanciati per tutte le classi considerate. Degna di nota è la capacità di identificare correttamente i casi sani con accuratezza pari al 100%, nonché la robustezza nella classificazione delle drusen e delle lesioni vitelliformi nonostante la relativa limitatezza del campione. Le curve di apprendimento hanno mostrato una convergenza più rapida e stabile rispetto ai modelli convoluzionali tradizionali, suggerendo una maggiore efficienza nell’estrazione delle caratteristiche discriminative. L’analisi di interpretabilità, mediante tecniche di visualizzazione delle mappe di attivazione (Grad-CAM), ha ulteriormente rafforzato la validità del modello, dimostrando una focalizzazione selettiva sulle regioni patologiche clinicamente rilevanti, con ridotta attivazione delle aree retiniche circostanti. Tale coerenza tra processo decisionale algoritmico e razionale clinico rappresenta un elemento fondamentale per l’integrazione di questi strumenti nella pratica assistenziale. Nel complesso, l’integrazione tra modelli di deep learning di nuova generazione e analisi radiomica configura un paradigma innovativo nell’interpretazione dell’imaging retinico. I risultati ottenuti suggeriscono che tali strumenti possano supportare il clinico nella diagnosi differenziale delle maculopatie caratterizzate da materiale iperriflettente sottoretinico, riducendo la dipendenza esclusiva dal multimodal imaging e favorendo un approccio più rapido, oggettivo e potenzialmente predittivo. Nel confronto con la letteratura internazionale, il presente lavoro introduce elementi di originalità rilevanti. In primo luogo, affronta una diagnosi differenziale ancora poco esplorata in ambito di intelligenza artificiale applicata all’esame OCT, ossia la distinzione tra lesioni vitelliformi acquisite e drusen nella degenerazione maculare legata all’età, condizioni morfologicamente sovrapponibili ma clinicamente divergenti. Inoltre, propone e valida un’architettura Vision Transformer con meccanismo di Residual Self-Attention specificamente ottimizzata per l’imaging retinico, dimostrando prestazioni superiori rispetto ai modelli convoluzionali tradizionali e mantenendo al contempo un’elevata interpretabilità clinica. L’integrazione dell’analisi radiomica su OCT strutturale rappresenta un ulteriore elemento innovativo, introducendo una caratterizzazione quantitativa delle lesioni vitelliformi orientata a problematiche cliniche concrete. Nel complesso, il lavoro contribuisce al passaggio da modelli sperimentali focalizzati esclusivamente sulla performance a sistemi più maturi, interpretabili e potenzialmente integrabili nella pratica clinica, rafforzando il ruolo dell’automazione come strumento necessario per standardizzare e ottimizzare la diagnosi delle maculopatie. Questa prospettiva apre la strada a ulteriori sviluppi nell’ambito della medicina di precisione in oftalmologia, con possibili evoluzioni significative sulla gestione clinica e sulla prognosi visiva dei pazienti.