Desarrollo y validación de un modelo de aprendizaje profundo para la detección temprana y el cribado de la...

Área de la Ciencia:

• Oftalmología
• Inteligencia artificial
• Imágenes médicas

Sus antecedentes:

• El diagnóstico precoz de la retinopatía diabética (DR) es vital para reducir los costos de atención médica y la carga de los pacientes.
• Los métodos actuales de detección de DR a menudo requieren extensos datos anotados, lo que plantea desafíos en la complejidad de la anotación y la privacidad del paciente.

Objetivo del estudio:

• Introducir un sistema avanzado de reconocimiento asistido por IA para mejorar la detección de lesiones de retinopatía diabética (DR).
• Aprovechar el aprendizaje de tiro cero con plantillas de instrucciones de texto agnósticas para la detección de DR, minimizando la necesidad de datos anotados.

Principales métodos:

• Desarrolló un sistema de IA que integra las incorporaciones de texto con información visual para la detección de DR de disparo cero.
• Mapeo de similitud a nivel de imagen y parche para una identificación completa de la lesión.
• Valida el sistema utilizando múltiples conjuntos de pruebas internos, públicos y externos capturados por teléfonos inteligentes, analizando métodos de entrenamiento previo y incorporaciones de funciones.

Principales resultados:

• El sistema de detección de DR de disparo cero demostró un rendimiento superior en comparación con los métodos convencionales de aprendizaje de transferencia.
• El sistema logró una detección precisa y fiable de lesiones tanto en las fases previas al entrenamiento como en las de prueba.
• Las visualizaciones a nivel de parche y el agrupamiento t-SNE confirmaron la calidad de las incorporaciones de características.

Conclusiones:

• El sistema asistido por IA detecta efectivamente las lesiones de retinopatía diabética (DR) utilizando el aprendizaje de cero disparos, superando las limitaciones de los métodos tradicionales supervisados y de pocos disparos.
• Este enfoque mejora la eficiencia de la detección de DR, reduce los requisitos de anotación y respalda la privacidad del paciente.
• El sistema muestra un potencial significativo para una aplicación clínica generalizada en la detección temprana de DR.