Aprendizaje profundo con fotos de disco o exploraciones OCT en la detección de glaucoma

Área de la Ciencia:

• Oftalmología
• La inteligencia artificial en la medicina
• Análisis de imágenes médicas

Sus antecedentes:

• El diagnóstico del glaucoma se basa en la detección de un deterioro funcional del campo visual (VF).
• Los modelos de aprendizaje profundo (DL) son prometedores para la detección automatizada de glaucoma.
• La comparación de modelos de DL que utilizan diferentes modalidades de imagen es crucial para la precisión del diagnóstico.

Objetivo del estudio:

• Para comparar la precisión de un modelo de DL utilizando mapas OCT RNFLT frente a fotos de disco (DP) para la detección de glaucoma.
• Evaluar el rendimiento diagnóstico de estos modelos de DL en diversos grupos demográficos (raza, sexo, etnia).

Principales métodos:

• Estudio de cohorte retrospectivo que utiliza conjuntos de datos de los PTU y los DP de 2011 a 2022.
• Desarrollo de modelos de DL formados en mapas RNFLT y DPs de los PTU para la detección de glaucoma basado en deterioro de la fibrilación ventricular.
• Incluido 16.936 conjuntos de imágenes con escaneos de alta calidad de TCO y pruebas de VF confiables.

Principales resultados:

• El modelo de DL basado en el OCT logró un área bajo la curva (AUC) significativamente mayor de 0,90 en comparación con el modelo basado en el DP (AUC = 0,86, P < 0,005).
• El rendimiento superior del modelo de los PTU fue consistente en todos los grupos demográficos raciales, sexuales y étnicos.
• Ambos modelos mostraron variaciones en la precisión entre los grupos demográficos, lo que indica posibles sesgos.

Conclusiones:

• Los modelos DL que utilizan mapas OCT RNFLT demuestran una precisión superior para la detección de glaucoma en comparación con los modelos basados en DP.
• Es probable que el carácter objetivo y cuantitativo de las mediciones RNFLT contribuya a la mejora del rendimiento.
• Las disparidades demográficas observadas enfatizan la necesidad crítica de conjuntos de datos diversos y equitativos en el desarrollo de herramientas de diagnóstico de IA justas.