Video Experimental Relacionado
Updated: May 2, 2026
12:23
Dynamic Visual Tests to Identify and Quantify Visual Damage and Repair Following Demyelination in Optic Neuritis Patients
Published on: April 14, 2014
14.2K
Condiciones de atrofia del nervio óptico asociadas con volúmenes de tomografía de coherencia óptica sin segmentar 3D
David Szanto1, Jui-Kai Wang2, Brian Woods3,4
1Department of Ophthalmology, Icahn School of Medicine at Mount Sinai, New York.
JAMA ophthalmology
|August 21, 2025
Resumen
Un modelo de aprendizaje profundo 3D diferencia con precisión la atrofia de la cabeza del nervio óptico en glaucoma, NAION y neuritis óptica utilizando exploraciones OCT. Este enfoque automatizado ayuda al diagnóstico y al manejo clínico de las neuropatías ópticas.
Área de la Ciencia:
- Oftalmología
- Imágenes médicas
- Inteligencia artificial
Sus antecedentes:
- La diferenciación precisa de la atrofia de la cabeza del nervio óptico (ONH) es crucial para el diagnóstico y el manejo de afecciones como el glaucoma, la neuropatía isquémica anterior no arterial (NAION) y la neuritis óptica.
- Las evaluaciones 2D tradicionales pueden pasar por alto cambios volumétricos sutiles indicativos de atrofia óptica.
Objetivo del estudio:
- Evaluar la capacidad de un modelo de aprendizaje profundo 3D para distinguir la atrofia óptica en glaucoma, NAION, neuritis óptica y ojos sanos utilizando tomografías de coherencia óptica (OCT) ONH no segmentadas.
Principales métodos:
- En un estudio transversal se analizaron 7014 escáneres de Cirrus ONH OCT de 1382 pacientes (glaucoma, NAION, neuritis óptica, controles sanos).
- Se entrenaron tres modelos ResNet-3D-18 utilizando validación cruzada de 5 veces: volumen entero, región peripapillar (PPR) solamente y ONH solamente.
- El rendimiento se evaluó utilizando la precisión de la clasificación, el AUC-ROC, la precisión, el recuerdo y las puntuaciones F1.
Principales resultados:
- El modelo de todo el volumen logró una precisión del 88,9% (AUC-ROC, 0,977), con puntuaciones F1 que oscilaron entre 0,78 (neuritis óptica) y 0,94 (glaucoma).
- Los modelos solo con PPR y ONH mostraron una precisión ligeramente menor (85,9% y 87,0%, respectivamente).
- La neuritis óptica fue la más difícil de clasificar, a menudo clasificada erróneamente como NAION o saludable. Los mapas de activación resaltaron capas específicas de la retina.
Conclusiones:
- El análisis de aprendizaje profundo de las exploraciones OCT no segmentadas distingue con fiabilidad entre las diferentes formas de atrofia del nervio óptico, identificando patrones estructurales sutiles específicos de la enfermedad.
- Este enfoque automatizado puede apoyar los esfuerzos de diagnóstico y el manejo clínico de las neuropatías ópticas.
- Puede complementar las modalidades de imagen menos estandarizadas y las evaluaciones clínicas subjetivas.
