Myopic-Net: Identificación directa basada en el aprendizaje profundo del inicio y la progresión de la miopía

Área de la Ciencia:

• Oftalmología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• El monitoreo de la aparición y progresión de la miopía (MOP) es crucial para las aplicaciones clínicas.
• La detección de MOP se basa en el análisis de los cambios anatómicos en las imágenes del fondo de la retina.
• Las redes neuronales profundas (DNN) ofrecen un enfoque prometedor para el análisis automatizado.

Objetivo del estudio:

• Evaluar el rendimiento de las RND en la identificación y el seguimiento de los PMO.
• Desarrollar y validar un modelo DNN para la detección de MOP a partir de imágenes de la retina.

Principales métodos:

• Se desarrolló una DNN llamada Myopic-Net utilizando 6344 pares de imágenes de fondo (3964 sin MOP, 2380 con MOP).
• El rendimiento del modelo se evaluó utilizando la precisión, el recuerdo, la especificidad y la puntuación F1 en conjuntos de pruebas internas y externas.
• Se empleó la visualización profunda de la red para comprender los controladores de predicción.

Principales resultados:

• Myopic-Net logró una precisión del 87,3% en el conjunto de pruebas internas, superando a los oftalmólogos humanos (66,1% y 73,5%).
• El modelo mantuvo una precisión del 84,1% en un conjunto de pruebas externo independiente.
• Los factores predictivos clave identificados fueron los cambios anatómicos en el disco óptico y las áreas circundantes.

Conclusiones:

• Myopic-Net identifica efectivamente la MOP a partir de imágenes del fondo mediante el análisis de cambios en el disco óptico.
• El modelo demuestra una alta precisión, fiabilidad y capacidades de generalización.
• Los DNN muestran un potencial significativo para el monitoreo y el diagnóstico de la MOP mediante el análisis de imágenes del fondo.