Evaluación de la retinopatía diabética mediante el aprendizaje automático: una revisión sistemática

Área de la Ciencia:

• Oftalmología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• La retinopatía diabética (DR) es una de las principales causas de ceguera en todo el mundo.
• El cribado manual de imágenes de retina requiere mucho tiempo y se enfrenta a una escasez de expertos.
• El aprendizaje automático (ML) y el aprendizaje profundo (DL) presentan alternativas viables para el cribado de DR.

Objetivo del estudio:

• Analizar el panorama de la investigación de la integración de ML en el cribado de la retinopatía diabética.
• Identificar y caracterizar los conjuntos de datos de imágenes del fondo de la retina disponibles.
• Discutir las técnicas de preprocesamiento, el progreso de ML, los desafíos y las direcciones futuras en la detección de DR.

Principales métodos:

• Revisión de la literatura y análisis de las técnicas de ML aplicadas al cribado de DR.
• Caracterización de conjuntos de datos de imágenes del fondo de la retina disponibles públicamente.
• Discusión de los métodos comunes de preprocesamiento de imágenes para la detección de DR.

Principales resultados:

• Identificación y caracterización de los conjuntos de datos de imágenes de retina disponibles para el cribado de DR.
• Analizó el progreso y la aplicación de varias técnicas de ML en la detección de DR.
• Se destacan las etapas comunes de preprocesamiento esenciales para un cribado eficaz de la DR.

Conclusiones:

• La integración de ML muestra un potencial significativo para mejorar la eficiencia y la accesibilidad del cribado de la retinopatía diabética.
• Los conjuntos de datos estandarizados, la complejidad del modelo y los recursos computacionales siguen siendo desafíos clave.
• Se necesita más investigación para superar los obstáculos existentes y avanzar en las soluciones de detección de DR basadas en ML.