Comparación de modelos basados en el aprendizaje de la fundación y el aprendizaje supervisado para la detección de...

Área de la Ciencia:

• Oftalmología
• Inteligencia artificial
• Imágenes médicas

Sus antecedentes:

• La detección de glaucoma a partir de fotografías de fondo es crucial para prevenir la pérdida de la visión.
• Los modelos de aprendizaje profundo ofrecen potencial para la selección automatizada.

Objetivo del estudio:

• Comparar el rendimiento de un modelo de base (RETFound) y un modelo de aprendizaje supervisado (VGG-19) para la detección de glaucoma referable.
• Evaluar el rendimiento del modelo basado en el recorte de imágenes y el tamaño del conjunto de datos.

Principales métodos:

• Se entrenaron cuatro modelos de aprendizaje profundo (RETFound, VGG-19) en fotografías de fundus recortadas y sin recortar de 6.116 participantes.
• Modelos evaluados en conjuntos de ensayos mantenidos y externos utilizando AUC-ROC y otras métricas.
• Evaluación del rendimiento en diferentes tamaños de conjuntos de formación y factores demográficos.

Principales resultados:

• Los modelos de imágenes recortadas obtuvieron un rendimiento más alto, con VGG-19 mostrando el AUC-ROC más alto (0,924).
• Los modelos RETFound demostraron una ventaja con conjuntos de datos más pequeños y con datos externos.
• El modelo RETFound recortado exhibió un rendimiento consistente en todos los grupos étnicos.

Conclusiones:

• Los modelos RETFound y VGG-19 son efectivos para la detección del glaucoma.
• Los modelos de base pueden ser preferibles para los datos de formación limitados y los cambios de dominio esperados.
• El recorte de imágenes mejora el rendimiento, pero puede reducir la generalización.