La utilidad de la inteligencia artificial en la caracterización y detección de las causas del edema macular: un...

Área de la Ciencia:

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

Sus antecedentes:

• El edema macular (EM) es una de las principales causas de pérdida de visión, a menudo derivada de edema macular diabético (EMD) o degeneración macular relacionada con la edad (DMAE).
• La diferenciación precisa entre las causas de la EM es crucial para un tratamiento eficaz, pero presenta un desafío de diagnóstico.
• La clasificación automatizada de la EM mediante imágenes de tomografía de coherencia óptica (OCT) es necesaria para abordar esta brecha.

Objetivo del estudio:

• Desarrollar y evaluar un marco de aprendizaje profundo para la clasificación automatizada de la EMD, la DMAE y las condiciones normales de la retina.
• Evaluar el rendimiento de las diferentes arquitecturas de redes neuronales convolucionales (CNN) para el análisis de imágenes OCT.
• Integrar técnicas de IA explicable (XAI) para mejorar la interpretabilidad de las predicciones de diagnóstico.

Principales métodos:

• Utilizó un conjunto de datos retrospectivo de 1040 imágenes OCT del Hospital Universitario Rey Abdullah (KAUH) y un conjunto de datos público.
• Preprocesamiento aplicado, aumento y segmentación simulada para optimizar el rendimiento del modelo.
• Se compararon y evaluaron tres CNN preentrenados: ResNet152, InceptionV3 y MobileNetV2, que incorporan Grad-CAM para XAI.

Principales resultados:

• InceptionV3 y ResNet152 lograron altas precisiones (95%-98%) en ambos conjuntos de datos.
• MobileNetV2 demostró un buen rendimiento en el conjunto de datos públicos (97%) y una precisión moderada en el conjunto de datos KAUH (89%).
• Las visualizaciones Grad-CAM, validadas con datos anotados, confirmaron la interpretabilidad del modelo.

Conclusiones:

• Los modelos de aprendizaje profundo, particularmente las CNN como InceptionV3 y ResNet152, muestran un potencial significativo para una clasificación precisa de EM.
• La integración de las CNN con las técnicas XAI puede mejorar la precisión del diagnóstico en oftalmología.
• Este marco puede ayudar a la toma de decisiones clínicas para afecciones como la EMD y la DMAE.