RetinoDeep: Aprovechando los modelos de aprendizaje profundo para el diagnóstico avanzado de la retinopatía

Área de la Ciencia:

• Oftalmología
• Ciencias de la computación
• Inteligencia artificial

Sus antecedentes:

• La retinopatía diabética (DR) es una de las principales causas de pérdida de la visión en todo el mundo.
• El cribado manual de DR es intensivo en mano de obra, subjetivo y se enfrenta a la escasez de especialistas.
• Hay una necesidad de herramientas de diagnóstico automatizadas escalables, objetivas e interpretables para la DR.

Objetivo del estudio:

• Desarrollar y evaluar marcos de aprendizaje profundo (RetinoDeep) para la detección y clasificación automatizada de DR en siete niveles de gravedad.
• Mejorar la transparencia del modelo y la confiabilidad clínica utilizando IA explicable (IAX).
• Mejorar la precisión, la estabilidad y la generalización de los sistemas de detección de DR.

Principales métodos:

• Propuso cuatro nuevos modelos de aprendizaje profundo: EfficientNetB0 con transformador SPCL, ResNet50 con Bi-LSTM, Bi-LSTM optimizado por GA y Bi-LSTM explicado por SHAP.
• Modelos entrenados y evaluados en 757 imágenes aumentadas del fondo de la retina.
• Comparado con los modelos de última generación usando precisión, puntuación F1 y precisión.

Principales resultados:

• El modelo Bi-LSTM optimizado con Particle Swarm Optimization (PSO) logró una estabilidad y generalización superiores.
• Las visualizaciones de SHAP confirmaron que las características aprendidas se alinean con los biomarcadores clave de la retina, mejorando la interpretabilidad.
• Los modelos propuestos demostraron un mejor rendimiento diagnóstico en comparación con las líneas de base.

Conclusiones:

• Los marcos RetinoDeep, en particular Bi-LSTM con PSO y SHAP, ofrecen un enfoque prometedor para el cribado automatizado de DR.
• La integración de la optimización avanzada y la IA explicable mejora la precisión del diagnóstico y la confiabilidad clínica.
• Estos sistemas tienen el potencial de integrarse en flujos de trabajo clínicos del mundo real para mejorar la gestión de la DR.