Desarrollo y validación de un algoritmo de aprendizaje profundo para la detección de retinopatía diabética en...

Área de la Ciencia:

• Oftalmología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• La retinopatía diabética (RD) y el edema macular diabético (EMD) son las principales causas de pérdida de visión en pacientes diabéticos.
• La detección temprana y el tratamiento son cruciales para prevenir el deterioro grave de la visión.

Objetivo del estudio:

• Desarrollar y validar un algoritmo de aprendizaje profundo para la detección automatizada de DR y DME en fotografías del fondo de la retina.
• Evaluar la sensibilidad y la especificidad del algoritmo en comparación con la calificación de los oftalmólogos expertos.

Principales métodos:

• Una red neuronal convolucional profunda fue entrenada en más de 128.000 imágenes de la retina.
• El algoritmo fue validado en dos conjuntos de datos independientes (EyePACS-1 y Messidor-2).
• El rendimiento se evaluó utilizando la sensibilidad, la especificidad y el área bajo la curva de funcionamiento del receptor.

Principales resultados:

• El algoritmo logró un alto rendimiento en la detección de retinopatía diabética referable (RDR).
• Las áreas bajo la curva de funcionamiento del receptor fueron de 0,991 (EyePACS-1) y 0,990 (Messidor-2).
• En los puntos de operación de alta especificidad, las sensibilidades fueron del 90,3% y del 87,0%, con especificidades del 98,1% y del 98,5%, respectivamente.

Conclusiones:

• Los algoritmos de aprendizaje profundo pueden lograr una alta sensibilidad y especificidad para detectar la retinopatía diabética referable.
• Se requiere una investigación adicional para determinar la viabilidad clínica del algoritmo y el impacto en la atención al paciente.
• Los hallazgos sugieren el potencial de la IA para aumentar las evaluaciones oftalmológicas actuales para la enfermedad ocular diabética.