Detección de glaucoma en ojos miopes utilizando regiones de interés basadas en autoencoder de aprendizaje profundo

Área de la Ciencia:

• Oftalmología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• El diagnóstico de glaucoma en los ojos miopes presenta desafíos.
• Los métodos de diagnóstico actuales se basan en métricas como el grosor de la capa de fibra nerviosa de la retina (RNFL).
• La tomografía de coherencia óptica (OCT) proporciona imágenes oculares detalladas.

Objetivo del estudio:

• Evaluar un modelo de autoencoder de aprendizaje profundo para la detección de glaucoma en ojos miopes.
• Para utilizar las regiones de interés (ROI) de las imágenes de textura de los PTU.
• Para comparar la precisión del modelo con los métodos tradicionales.

Principales métodos:

• Un estudio transversal incluyó 453 ojos de 315 participantes (sanos y con glaucoma).
• Se utilizaron imágenes OCT de fuente barrida (SS-OCT) para construir imágenes de interfaz de textura.
• Se compararon cuatro métodos: espesor RNFL, textura de la interfaz, autoencoder único y modelos de autoencoder doble.
• La precisión del diagnóstico se evaluó utilizando el área bajo las curvas de operación del receptor (AUROC) y el área bajo las curvas de recuerdo de precisión (AUPRC).

Principales resultados:

• El modelo de autoencoder dual logró el AUROC más alto (0,92) y el AUPRC (0,86).
• Este modelo superó significativamente el autoencoder único, el grosor RNFL y los modelos de interfaz de textura (p < 0,05).
• No se encontraron diferencias significativas entre las mediciones de espesor y textura de RNFL (p = 0,47).

Conclusiones:

• El modelo de doble autoencoder demostró una precisión de diagnóstico superior para el glaucoma en ojos miopes.
• Este enfoque de aprendizaje profundo, que utiliza el error de reconstrucción basado en el ROI de las imágenes de textura de los PTU, es una alternativa sólida a las métricas convencionales.
• Los hallazgos sugieren el potencial para mejorar la clasificación del glaucoma utilizando modelos avanzados de IA.