Detección de aprendizaje profundo del desprendimiento de retina: estadificación por tomografía de coherencia óptica y...

Área de la Ciencia:

• Oftalmología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• El desprendimiento regmatogénico de retina (DRR) es una afección grave que requiere un diagnóstico y tratamiento oportunos.
• La estadificación precisa y la estimación de la duración de RRD son cruciales para la planificación quirúrgica y la predicción visual del resultado.
• La tomografía de coherencia óptica (OCT) proporciona imágenes transversales detalladas de la retina, lo que ayuda en la evaluación de la DDR.

Objetivo del estudio:

• Evaluar la eficacia de los modelos de aprendizaje profundo en la detección y la estadificación de la RD.
• Evaluar la capacidad de los escaneos 2D y 3D OCT para la clasificación de RRD utilizando IA.
• Explorar el potencial del aprendizaje profundo en la estimación de la duración de la RRD y su correlación con los datos clínicos.

Principales métodos:

• Un estudio retrospectivo que utiliza la clasificación de imágenes basada en el aprendizaje profundo en escaneos OCT 2D y 3D.
• El análisis incluyó 252 ojos con RRD y 770 ojos de control de pacientes adultos.
• El rendimiento se midió utilizando el Área Bajo la Curva (AUC) y el AUC de Precisión-Recall (PR AUC) para la detección, estadificación y estimación de la duración.

Principales resultados:

• Los modelos de aprendizaje profundo demostraron un alto rendimiento en la clasificación de RRD, con AUCs de hasta 0,98 para distinguir los casos de macula-off de los no RRD.
• Un modelo 3D OCT clasificó efectivamente la duración de la macula (< 3 días) con un AUC de 0,97.
• Un modelo 2D logró un buen rendimiento en la clasificación de la RRD en la etapa 4 (AUC=0,94).

Conclusiones:

• Los modelos de aprendizaje automático muestran un potencial significativo para clasificar las etapas de RRD, el estado de la mácula y la duración de las imágenes de OCT.
• Estos enfoques basados en la IA pueden potencialmente mejorar la toma de decisiones clínicas en la gestión de la I+D+i.
• Las aplicaciones de aprendizaje profundo en el análisis de los PTU pueden apoyar la planificación quirúrgica y mejorar los resultados de los pacientes con DRR.