L’intelligenza artificiale per la diagnosi del dry eye

Riassunto

La malattia dell'occhio secco (dry eye disease, DED) rappresenta una delle condizioni più prevalenti e sottostimate della pratica oculistica quotidiana. La sua diagnosi è storicamente affidata a test clinici soggettivi e a una valutazione semeiotica che risente della variabilità inter-operatore. L'avvento dell'intelligenza artificiale (AI) — in particolare delle reti neurali convoluzionali, degli algoritmi di machine learning e dei modelli multimodali — apre una nuova stagione diagnostica, caratterizzata da maggiore riproducibilità, oggettività quantitativa e capacità predittiva. Il presente articolo passa in rassegna le principali applicazioni dell'AI nella diagnosi del dry eye: dall'analisi automatizzata del film lacrimale e della meibomiografia alla classificazione delle immagini del segmento anteriore, fino ai sistemi di supporto decisionale integrati nella pratica ambulatoriale. Vengono discussi i limiti attuali e le prospettive di sviluppo, con particolare attenzione all'integrazione clinica e alle implicazioni per il futuro della medicina della superficie oculare.

La malattia dell'occhio secco è una condizione multifattoriale della superficie oculare caratterizzata da instabilità del film lacrimale, iperosmolarità, infiammazione, danno epiteliale e anomalie neurosensoriali. Secondo le stime più recenti, la sua prevalenza varia tra il 5 e il 50% della popolazione adulta, con picchi significativi nelle fasce di età avanzata e nei soggetti esposti a schemi prolungati di utilizzo di dispositivi digitali. Nonostante l'elevata prevalenza, il dry eye rimane cronicamente sottodiagnosticato: i sintomi sono aspecifici, la correlazione tra segni e sintomi è notoriamente debole, e i test diagnostici disponibili presentano spesso scarsa riproducibilità inter- laboratorio.
Il paradigma diagnostico tradizionale si basa su una combinazione di valutazioni soggettive — questionari standardizzati come il OSDI (Ocular Surface Disease Index) e il DEQ-5 — e test strumentali oggettivi: tempo di rottura del film lacrimale (TBUT), colorazione con fluoresceina o verde di lissamina, test di Schirmer, osmolarità lacrimale, meibomiografia. Ciascuno di questi strumenti porta con sé limitazioni intrinseche: variabilità della tecnica esecutiva, dipendenza dall'esperienza dell'esaminatore, mancanza di standardizzazione dei cut-off, e incapacità di cogliere la complessità sistemica della malattia.
In questo contesto, l'intelligenza artificiale si propone non come sostituto della valutazione clinica, ma come amplificatore della capacità diagnostica del medico. L'AI è in grado di analizzare volumi di dati che sfuggono alla percezione umana, identificare pattern sottili nelle immagini biomediche, integrare informazioni multimodali e fornire output quantitativi riproducibili. Il suo ingresso nella superficie oculare segna un passaggio epocale: dalla diagnostica impressionistica alla diagnostica computazionale.

Analisi automatizzata del film lacrimale

Valutazione del TBUT mediante AI
Il tempo di rottura del film lacrimale è il parametro diagnostico più frequentemente alterato nel dry eye evaporativo, ma la sua misura manuale — eseguita alla lampada a fessura con l'impiego di fluoresceina — è soggetta a variabilità significativa legata a fattori tecnici (quantità di fluoresceina, illuminazione, esperienza dell'operatore) e biologici (riflesso di ammiccamento, tempo di attesa). I sistemi di videokeratoscopia dinamica integrati con algoritmi di image processing hanno trasformato questa valutazione in un processo oggettivo e ripetibile.
I dispositivi acquisiscono sequenze video dell'interferenza del film lacrimale e ne analizzano la distribuzione spaziale e temporale attraverso algoritmi di segmentazione automatica. Ricercatori del National Eye Institute hanno dimostrato che reti neurali convoluzionali addestrate su dataset di videokeratoscopia possono classificare la qualità del film lacrimale con accuracy superiore al 90%, riducendo il coefficiente di variazione inter-osservatore di oltre il 60% rispetto alla valutazione manuale (fig. 1).

Osmolarità lacrimale e machine learning
L'osmolarità lacrimale rappresenta il biomarcatore più sensibile e specifico per la diagnosi di dry eye, con valori superiori a 308 mOsm/L o una differenza interoculare ≥ 8 mOsm/L considerati diagnosticamente significativi. Il sistema TearLab ha reso questa misurazione accessibile ambulatorialmente, ma la sua integrazione con altri parametri diagnostici è stata a lungo limitata dalla mancanza di modelli integrativi.
Lavori recenti hanno esplorato l'utilizzo di algoritmi di random forest e support vector machine (SVM) per costruire modelli predittivi multiparametrici che combinano osmolarità, TBUT, punteggio sintomatologico e indici di superficie oculare. Kuo et al. (2020) hanno sviluppato un modello XGBoost che, integrando osmolarità, OSDI e meiboscore, ha raggiunto un'area sotto la curva ROC (AUC) di 0,94 nella distinzione tra dry eye iposeretivo ed evaporativo, con implicazioni dirette per le scelte terapeutiche.

Intelligenza artificiale e meibografia

La meibografia a infrarossi è diventata lo standard di riferimento per la valutazione morfologica delle ghiandole di Meibomio, ma la sua interpretazione quantitativa è rimasta a lungo appannaggio di scoring semi-soggettivi come il Meiboscore di Arita o il sistema MGYLS. L'introduzione di algoritmi di segmentazione automatica ha rivoluzionato questo ambito, rendendo possibile la quantificazione del meibomian gland dropout (MGD) in modo rapido, riproducibile e operatore- indipendente.
È disponibile un sistema che incorpora un algoritmo di deep learning e segmenta automaticamente le ghiandole del tarso superiore e inferiore, calcolando percentuali di perdita ghiandolare con accuratezza confrontabile a quella dei grader esperti. Studi di validazione su popolazioni asiatiche e caucasiche hanno confermato una correlazione intra-classe (ICC) superiore a 0,90 tra la segmentazione automatica e quella manuale di riferimento.
Ancora più promettente è la capacità dei modelli AI di riconoscere pattern morfologici sub-clinici — tortuosità dei dotti escretori, ectasie focali, dilatazioni cistiche — che anticipano la comparsa del MGD clinicamente manifesto di mesi o anni. Questi modelli aprono la strada a una diagnostica predittiva del dry eye, consentendo interventi preventivi prima che si instauri il danno ghiandolare irreversibile (fig. 2).

Analisi AI del segmento anteriore e OCT

Classificazione delle immagini alla lampada a fessura
La valutazione biomicroscopica del segmento anteriore — fluorescein staining, lissamine green staining, aspetto congiuntivale — è stata a lungo confinata a sistemi di grading semi-quantitativi come il National Eye Institute (NEI) grading scale o l'Oxford grading scheme. L'applicazione di reti neurali convoluzionali (CNN) alle immagini acquisite alla lampada a fessura ha reso possibile la classificazione automatica della severità del danno epiteliale con accuratezza superiore agli oculisti junior e paragonabile a quella degli esperti.
Un lavoro pubblicato su Ophthalmology (2022) ha descritto una CNN addestrata su oltre 12.000 immagini di fluorescein staining acquisite in sette centri internazionali, capace di classificare il grado di danno epiteliale corneale e congiuntivale con AUC media di 0,97. Il modello dimostrava performance stabili su diverse condizioni di illuminazione e popolazioni etniche, superando un ostacolo critico per la trasferibilità clinica degli algoritmi AI.

OCT del segmento anteriore
L'OCT del segmento anteriore ad alta risoluzione consente la visualizzazione diretta dello strato lipidico del film lacrimale, del glicocalice corneale e delle modificazioni strutturali del bordo palpebrale. Algoritmi di segmentazione automatica sviluppati su piattaforme sono in grado di misurare lo spessore del film lacrimale con risoluzione submicrometrica, fornendo informazioni sulla dinamica di evaporazione impossibili da ottenere con metodi convenzionali.
Ricerche recenti hanno dimostrato che l'analisi AI delle immagini OCT del menisco lacrimale — altezza, curvatura, riflettività — consente la discriminazione tra soggetti sani e pazienti con dry eye iposecretivo con sensibilità del 88% e specificità del 91%, superando il parametro clinico tradizionale della tear meniscus height valutata a lampada a fessura.

Modelli multimodali e sistemi di supporto decisionale

La sfida più ambiziosa — e al tempo stesso più clinicamente rilevante — dell'AI applicata al dry eye, non è la performance su singolo test, ma la capacità di integrare informazioni eterogenee per produrre un giudizio diagnostico globale. I modelli multimodali combinano dati di immagine (meibomiografia, OCT, fluorescein staining), dati strutturati (osmolarità, TBUT, Schirmer) e dati anamnestici (età, sesso, farmaci topici, tempo di esposizione a schermi) in un'unica architettura di rete neurale.
Il gruppo di ricerca dell'Università di Hong Kong ha pubblicato nel 2023 un sistema di Clinical Decision Support (CDS) per il dry eye che integra sette parametri diagnostici attraverso un transformer multimodale. Il sistema classifica automaticamente il fenotipo DED secondo i criteri TFOS DEWS II (iposecretivo, evaporativo, misto) e suggerisce un algoritmo terapeutico personalizzato. In uno studio prospettico su 340 pazienti, la concordanza con il giudizio del panel di esperti era del 87,3%.
In Italia, esperienze pilota condotte presso alcuni centri universitari hanno valutato l'integrazione di moduli AI nei software di gestione ambulatoriale, con risultati preliminari incoraggianti in termini di riduzione del tempo diagnostico e di standardizzazione dei percorsi di cura. La prospettiva di un sistema CDS integrato nella cartella clinica elettronica oculistica, capace di allertare il clinico in presenza di pattern compatibili con dry eye non ancora diagnosticato, appare oggi tecnicamente realizzabile (fig. 3).

Wearable, telediagnostica e monitoraggio continuo

Una frontiera emergente è rappresentata dall'applicazione di sensori miniaturizzati e algoritmi AI al monitoraggio continuo e remoto della superficie oculare. Dispositivi wearable integrati negli occhiali — come quelli sviluppati da startup nel campo del digital health — sono in grado di rilevare la frequenza di ammiccamento, la durata delle pause inter-ammiccamento e la cinematica palpebrale attraverso sensori ottici e accelerometrici, trasmettendo i dati a piattaforme cloud per l'analisi automatizzata.
La frequenza di ammiccamento ridotta durante il lavoro al videoterminale è uno dei fattori scatenanti più documentati del dry eye da schermo (computer vision syndrome). Algoritmi di analisi del blink pattern hanno dimostrato capacità di identificare soggetti a rischio con sensibilità superiore all'80%, aprendo la strada a programmi di screening popolazionale basati su dispositivi consumer.
Parallelamente, lo sviluppo di applicazioni per smartphone in grado di analizzare immagini del segmento anteriore acquisite con fotocamere standard — attraverso modelli di deep learning ottimizzati per hardware mobile — rappresenta un'opportunità per la democratizzazione della diagnostica del dry eye in contesti a risorse limitate, inclusi paesi in via di sviluppo e setting di telemedicina.

Limiti attuali e questioni aperte

Nonostante i risultati promettenti, l'applicazione clinica diffusa dell'AI nella diagnostica del dry eye incontra una serie di ostacoli che è necessario affrontare con rigore metodologico.
Il primo riguarda la qualità e la rappresentatività dei dataset di addestramento. La maggior parte degli studi pubblicati è stata condotta su popolazioni asiatiche — in particolare cinesi e giapponesi
— e la generalizzabilità dei modelli a popolazioni caucasiche, africane o ispaniche rimane da verificare sistematicamente. La variabilità etnica nelle caratteristiche morfologiche delle ghiandole di Meibomio, nello spessore corneale e nelle caratteristiche del film lacrimale può ridurre significativamente le performance degli algoritmi quando applicati a popolazioni diverse da quelle di training.
Il secondo limite è legato alla mancanza di standardizzazione dei protocolli di acquisizione delle immagini. Differenti dispositivi, protocolli di illuminazione e procedure di acquisizione generano immagini con caratteristiche statistiche diverse, che possono introdurre bias sistematici nelle predizioni AI. Lo sviluppo di standard tecnici condivisi per l'acquisizione di immagini della superficie oculare è una priorità per la ricerca traslazionale.
Un terzo aspetto critico riguarda la spiegabilità dei modelli (explainability o XAI). I sistemi di deep learning operano spesso come "black box", fornendo output predittivi senza esplicitare il processo decisionale sottostante. In ambito medico-legale e nella pratica clinica quotidiana, la possibilità di comprendere su quali basi il sistema ha formulato una diagnosi è irrinunciabile. Le tecniche di visualizzazione come Grad-CAM e LIME rappresentano un passo avanti in questa direzione, ma la loro applicazione sistematica nella validazione clinica degli algoritmi AI per il dry eye è ancora limitata.
Infine, la questione della privacy dei dati e del consenso informato nell'utilizzo di immagini biometriche per l'addestramento di modelli AI richiede un quadro normativo chiaro, che in Europa è parzialmente fornito dal GDPR ma che necessita di linee guida specifiche per il contesto medico.

Implicazioni per la pratica clinica oculistica

Per l'oculista clinico, l'AI non è un'entità astratta proveniente dal futuro: è già presente, in forme più o meno esplicite, nei dispositivi diagnostici di nuova generazione. La capacità di interrogare criticamente questi strumenti — di comprenderne le basi metodologiche, i limiti di validità e le condizioni di applicabilità — è diventata una competenza clinica a tutti gli effetti.
L'integrazione dell'AI nella diagnostica del dry eye non sostituisce la visita oculistica, non annulla il valore della relazione medico-paziente e non elimina la necessità di un giudizio clinico contestualizzato. Essa aggiunge uno strato di oggettività quantitativa che può ridurre la variabilità diagnostica, facilitare il monitoraggio longitudinale, migliorare la comunicazione con il paziente attraverso dati visualizzabili e supportare le decisioni terapeutiche in casi complessi.
Un aspetto particolarmente rilevante per i contesti ambulatoriali è la capacità dell'AI di riconoscere il dry eye in fase sub-clinica, prima che il paziente sviluppi sintomi significativi. Questa prospettiva è di cruciale importanza per popolazioni a rischio: pazienti candidati a chirurgia refrattiva, portatori di lenti a contatto, soggetti con patologie sistemiche (sindrome di Sjögren, artrite reumatoide, lupus), e utilizzatori cronici di farmaci topici.

Prospettive future

Lo sviluppo futuro dell'AI per il dry eye si muoverà lungo tre direttrici principali. La prima è l'integrazione biomica: l'analisi del proteoma, metaboloma e microbioma lacrimale attraverso piattaforme di mass spectrometry e next-generation sequencing genererà dataset ad alta dimensionalità che solo modelli AI saranno in grado di interpretare in chiave diagnostica e terapeutica predittiva.
La seconda è la costruzione di gemelli digitali della superficie oculare: modelli computazionali personalizzati che simulano la fisiologia del film lacrimale del singolo paziente, permettendo di predire la risposta a trattamenti specifici — ciclosporina, lifitegrast, siero autologo, termopulsazione, LLLT — prima ancora di iniziare la terapia.
La terza è lo sviluppo di reti di apprendimento federato (federated learning), che consentono di addestrare modelli AI condividendo i parametri di rete senza trasferire i dati dei pazienti, risolvendo così il problema della privacy e consentendo la costruzione di dataset multiistituzionali di dimensioni adeguate alla complessità del problema.
Il futuro della diagnostica del dry eye sarà ibrido: il clinico che integra la propria expertise con strumenti AI sarà più accurato, più efficiente e più capace di garantire continuità di cura rispetto a chi opera con soli strumenti tradizionali.

Conclusioni

L'intelligenza artificiale ha iniziato a trasformare concretamente la diagnostica del dry eye, portando oggettività quantitativa in un campo storicamente dominato dalla soggettività valutativa.
Dall'analisi del film lacrimale alla meibomiografia automatizzata, dall'OCT del segmento anteriore ai sistemi di supporto decisionale multimodali, le applicazioni AI mostrano performance diagnostiche elevate e un potenziale di integrazione clinica reale.
Perché questo potenziale si traduca in beneficio per i pazienti, è necessario un percorso rigoroso di validazione su popolazioni rappresentative, sviluppo di standard tecnici condivisi, formazione degli specialisti e costruzione di un framework regolatorio adeguato. L'oculista del futuro prossimo non dovrà scegliere tra clinica e tecnologia: dovrà padroneggiarle entrambe.

L'autore dichiara l’assenza di conflitti di interesse.