Predicción del índice de detección de ectasia a partir de datos de volumen crudos de Casia2 para la identificación...

Área de la Ciencia:

• Oftalmología
• Inteligencia artificial
• Imágenes médicas

Sus antecedentes:

• El queratocono es una enfermedad ocular progresiva caracterizada por el adelgazamiento de la córnea.
• La detección temprana del queratocono es crucial para la intervención y el tratamiento oportunos.
• El índice de detección de ectasia del instrumento Casia2 se utiliza para identificar el queratocono, pero la predicción a partir de datos sin procesar requiere métodos avanzados.

Objetivo del estudio:

• Para predecir el índice de detección de ectasia a partir de datos brutos de tomografía de coherencia óptica (OCT) utilizando redes neuronales convolucionales (CNN).
• Evaluar el rendimiento de las diferentes arquitecturas CNN (ResNet18, DenseNet121, EfficientNetB0) en la predicción del queratocono.
• Comparar la eficacia del uso de datos crudos de los PTU frente a los datos procesados para el cribado del queratocono.

Principales métodos:

• Se adaptaron tres modelos CNN (ResNet18, DenseNet121, EfficientNetB0) para predecir el índice de detección de ectasia a partir de los datos crudos de Casia2 de los PTU.
• Los datos crudos del TCO 3D (formato 3dv) se convirtieron en 16 imágenes por examen ocular.
• El rendimiento del modelo se evaluó utilizando el error absoluto medio para la predicción del índice y la precisión, la sensibilidad, la especificidad, el valor predictivo positivo y la puntuación F1 para la clasificación.

Principales resultados:

• EfficientNetB0 logró el error medio absoluto más bajo (5.86) en la predicción del índice de detección de ectasia.
• Los tres modelos de CNN demostraron un alto rendimiento de clasificación: EfficientNetB0 logró una precisión del 95.83% y un puntaje de F1 del 94.72%.
• Los modelos clasificaron con éxito las exploraciones como queratocono o no queratocono con alta sensibilidad y especificidad.

Conclusiones:

• La predicción del queratocono utilizando el índice de cribado de ectasia a partir de datos crudos de los PTU con CNN es eficaz y supera a los enfoques anteriores que utilizan datos procesados.
• El modelo adaptado EfficientNetB0 mostró un rendimiento superior en comparación con otros modelos y métodos de última generación.
• Este enfoque ofrece una vía prometedora para el cribado automatizado y preciso del queratocono.