Detección de enfermedades oculares basadas en imágenes de fundus utilizando la arquitectura EfficientNetB3

Área de la Ciencia:

• Oftalmología
• Ciencias de la computación
• Inteligencia artificial

Sus antecedentes:

• La detección temprana de las enfermedades de la retina es crucial para prevenir la pérdida de la visión.
• El diagnóstico manual de las imágenes del fondo del riñón requiere mucho tiempo y es propenso a errores.
• Se necesitan soluciones automatizadas para mejorar la eficiencia y la precisión del diagnóstico.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje profundo para la clasificación automatizada de enfermedades de la retina.
• Para categorizar las imágenes del fondo en cuatro clases: cataratas, retinopatía diabética, glaucoma y saludable.
• Evaluar el rendimiento del modelo utilizando diversas métricas de clasificación.

Principales métodos:

• Utilizó una arquitectura EfficientNetB3 preentrenada para la clasificación de imágenes.
• Ajuste fino del modelo en un conjunto de datos de imagen de retina de Kaggle.
• Aprendizaje de transferencia empleado, aumento de datos y el optimizador Adam con un programador de recocido de coseno.

Principales resultados:

• Logró una alta precisión de clasificación del 95,12%.
• Demostró un buen rendimiento con precisión (95,21%), recuerdo (94,88%), puntaje F1 (95,00%), puntaje de dados (94,91%), índice Jaccard (91,2%) y MCC (0,925).
• El modelo mostró robustez en la clasificación de cuatro condiciones distintas de la retina.

Conclusiones:

• El modelo de aprendizaje profundo propuesto muestra un potencial significativo para el diagnóstico automatizado de enfermedades de la retina.
• Este sistema automatizado puede apoyar la toma de decisiones clínicas y mejorar los resultados de los pacientes.
• Se requiere una mayor validación en entornos clínicos para confirmar su utilidad.