ODDM: Integración de SMOTE Tomek con aprendizaje profundo en imágenes de fondo de color desequilibradas para la clasificación de varias enfermedades oculares

Área de la Ciencia:

• Oftalmología
• Inteligencia artificial
• Imágenes médicas

Sus antecedentes:

• Las enfermedades oculares (DO) representan un desafío diagnóstico significativo, con una detección tardía que puede conducir a la ceguera.
• Los modelos de aprendizaje profundo (DL) han demostrado ser prometedores para mejorar la identificación de OD.
• El diagnóstico preciso y precoz es crucial para el tratamiento eficaz y la preservación de la visión.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo de múltiples clasificaciones para identificar siete tipos de enfermedades oculares.
• Proponer un modelo personalizado de red neuronal convolucional (CNN) llamado modelo de detección de enfermedades oculares (ODDM).
• Evaluar el rendimiento del ODDM en comparación con los modelos de referencia establecidos utilizando imágenes de fondo en color.

Principales métodos:

• Se desarrolló un modelo personalizado de CNN, ODDM, para clasificar siete afecciones oculares: degeneración macular normal relacionada con la edad, retinopatía diabética, glaucoma, maculopatía, retinopatía diabética no proliferativa y retinopatía diabética proliferativa.
• El ODDM fue entrenado y probado en el conjunto de datos de enfermedades oculares (ODD) disponible públicamente.
• Se empleó la técnica SMOTE Tomek (SM-TOM) para abordar el desequilibrio de clase dentro del conjunto de datos. El rendimiento fue comparado con DenseNet-201, EfficientNet-B0, Inception-V3, MobileNet, Vgg-16, Vgg-19 y ResNet-50.

Principales resultados:

• El ODDM logró un alto área bajo la curva (AUC) de 98.94%, precisión de 97.19%, recuerdo de 88.74%, precisión de 95.23% y puntuación F1 de 88.31%.
• La significación estadística fue confirmada mediante ANOVA y pruebas post hoc de Tukey HSD.
• El ODDM demostró un rendimiento superior en comparación con siete modelos de referencia y otros enfoques de última generación.

Conclusiones:

• El ODDM propuesto ofrece una solución de aprendizaje profundo altamente precisa y eficaz para la clasificación de enfermedades oculares de varias clases.
• El rendimiento superior del modelo sugiere su potencial de integración en entornos clínicos para un diagnóstico temprano y confiable de OD.
• Este enfoque impulsado por la IA es prometedor para mejorar los resultados de los pacientes y reducir la incidencia de ceguera debido a enfermedades oculares.