A New Horizon in Diabetic Retinopathy Detection and Grading: A Narrative Review of Deep Learning Models

A retinopatia diabética (RD) é uma complicação microvascular da diabetes mellitus e é uma das causas mais frequentes de cegueira na população adulta em todo o mundo, particularmente nos países de baixos rendimentos. O diagnóstico e tratamento precoces são primordiais na gestão desta doença e para que, subsequentemente, se obtenha um melhor prognóstico. Além disso, é recomendado pela maioria das guidelines de prática clínica que seja efetuado um rastreio universal da RD entre os doentes diabéticos. Para este efeito, nos últimos anos, têm sido realizados vários estudos para avaliar a capacidade dos modelos de inteligência artificial no âmbito da deteção precoce de RD. Em particular, o uso de modelos de deep learning baseados em redes neurais convolutas, que são treinadas para reconhecer automaticamente padrões patológicos e extrair características de lesão das imagens do fundo da retina, permite a classificação da RD de acordo com as cinco classes da Escala Internacional de Gravidade da Doença de Retinopatia Clínica Diabética e entre RD referenciável ou não referenciável. Esta monografia visa avaliar a precisão dos modelos de deep learning utilizados em estudos recentes na detecção e classificação de RD e o quão bem se comparam com a classificação manual da doença. Para este efeito, concluímos que já existem vários modelos, considerados de última geração, que podem detetar e classificar RD com níveis muito elevados de precisão, sensibilidade e especificidade, superando as capacidades dos profissionais de saúde, com a vantagem de tere, uma reprodutibilidade muito elevada e de poderem funcionar ininterruptamente sem repercussões resultantes em fadiga. Contudo, existem ainda alguns problemas com a falta de interpretabilidade do raciocínio dos modelos e a falta de validação clínica em diferentes contextos. Além disso, os modelos de deep learning necessitam de uma enorme quantidade de dados para serem treinados e existe uma disponibilidade limitada de imagens de fundos da retina com boa qualidade. A este respeito, abordámos também a importância dos métodos de pré-processamento das imagens da retina e das técnicas de data augmentation, a fim de aumentar a quantidade de material por onde os modelos podem ser treinados. Diabetic retinopathy (DR) is a microvascular complication of diabetes mellitus and is one of the most frequent causes of blindness in the adult population worldwide, particularly in low-income countries. Early diagnosis and treatment are paramount in the management of this condition and, subsequentially, to ensurea better prognosis. Also, it is recommended by most clinical practice guidelines that there should be a universal screening for DR amongst diabetic patients. For this matter, in recent years, many studies have been conducted to assess the capability of artificial intelligence models for aiding on the early detection of DR. In particular, the use of deep learning models based on convoluted neural networks, which are trained to automatically recognize pathological patterns and extract lesion features from retinal fundus images, allows DR grading according to the five classes of the International Clinical Diabetic Retinopathy Disease Severity Scale and between referable or non-referable DR. This paper aimed to evaluate the accuracy of deep learning networks used in recent studies in detecting and classifying DR and how well they compare to the manual grading of the disease. For this purpose, we concluded that there are already several models, considered to be state-of-the-art, that can detect and grade DR with very high levels of accuracy, sensitivity and specificity, surpassing the capabilities of health care professionals, with the advantage of having a very high reproducibility and being able to operate continuously without experiencing the effects of fatigue. However, there are still some issues with the lack of interpretability of the models' reasoning and the lack of clinical validation in different contexts. Also, the deep learning models need an enormous amount of data to be trained and there is a limited availability of retinal fundus images with good quality. In this regard, we have also addressed the importance of preprocessing methods for the retinal images and data augmentation techniques in order to increase the quantity of material from where the models can be trained.