Aprendizaje profundo para el análisis integral de imágenes del fondo retiniano: detección de afecciones sistémicas y...

Área de la Ciencia:

• Oftalmología e inteligencia artificial
• Análisis de imágenes médicas
• Aprendizaje profundo en el cuidado de la salud

Sus antecedentes:

• La retina sirve como un indicador crucial para la salud ocular y sistémica.
• Existe una creciente necesidad de herramientas avanzadas impulsadas por la IA para la detección eficiente de enfermedades y la evaluación de riesgos.
• La evaluación del rendimiento de las redes neuronales profundas en diversos conjuntos de datos oftalmológicos es esencial para la traducción clínica.

Objetivo del estudio:

• Evaluar exhaustivamente seis redes neuronales profundas de última generación en el conjunto de datos oftalmológicos multietiqueta brasileño (BRSET).
• Evaluar el rendimiento del modelo en siete tareas de clasificación distintas, incluida la diabetes, la retinopatía diabética, la hipertensión, la retinopatía hipertensiva, el drusen y el sexo.
• Explorar la explicabilidad de los modelos de aprendizaje profundo utilizando mapas de saliencia basados en gradientes.

Principales métodos:

• Utilizó el conjunto de datos BRSET, que contiene 16.266 imágenes de fondo con múltiples anotaciones clínicas y demográficas.
• Se evaluaron las redes neuronales convolucionales y las arquitecturas de transformadores de visión en siete tareas de clasificación.
• Utilizó métricas como la precisión, el recuerdo, el puntaje F1, la precisión y el área bajo la curva (AUC) para la evaluación del rendimiento.

Principales resultados:

• El modelo Swin-L demostró un rendimiento superior en la mayoría de las tareas, logrando un alto AUC y puntuaciones F1 ponderadas para la diabetes, la retinopatía diabética (clase 2 y 3), la hipertensión, la retinopatía hipertensiva, la detección de drusen y la clasificación por sexo.
• El rendimiento diagnóstico osciló entre excelente y sobresaliente, lo que pone de relieve la eficacia de los modelos evaluados.
• Los mapas de saliencia basados en gradientes proporcionaron información sobre los procesos de toma de decisiones e identificaron las características relevantes de la retina.

Conclusiones:

• Los modelos de aprendizaje profundo, en particular los transformadores de visión, muestran un potencial significativo para la detección precisa e interpretable de enfermedades retinianas y sistémicas.
• Los hallazgos apoyan el desarrollo de herramientas basadas en IA para aplicaciones clínicas en oftalmología y atención médica en general.
• El estudio subraya la utilidad clínica de la IA en la identificación de características clave para la detección de enfermedades a partir de imágenes de fondo.