Modelos de base oftalmológicos para la detección de degeneración macular relacionada con la edad clínicamente...

Área de la Ciencia:

• Oftalmología
• Visión por Computadora
• Inteligencia Artificial

Sus antecedentes:

• El aprendizaje autosupervisado (SSL) permite a los Vision Transformers (ViTs) aprender representaciones de imágenes robustas.
• Los modelos de base en imágenes retinianas muestran potencial, pero la necesidad de preentrenamiento en el dominio no está clara.
• La identificación de la degeneración macular relacionada con la edad (AMD) es crucial en la imagen de fondo digital (DFI).

Objetivo del estudio:

• Evaluar los ViTs preentrenados con SSL para la identificación de AMD en DFI.
• Evaluar las capacidades de generalización de los modelos preentrenados con datos naturales frente a datos específicos del dominio.
• Investigar la necesidad de preentrenamiento en el dominio para la detección de AMD.

Principales métodos:

• Evaluación comparativa de seis ViTs preentrenados con SSL en siete conjuntos de datos DFI (70 000 imágenes).
• Evaluación del rendimiento del modelo en la identificación de AMD en etapa moderada a tardía.
• Comparación de la generalización fuera de distribución del preentrenamiento natural frente al específico del dominio.

Principales resultados:

• iBOT, preentrenado con imágenes naturales, logró una generalización superior fuera de distribución (AUROC de 0,80 a 0,97).
• El preentrenamiento con imágenes naturales superó a los modelos específicos del dominio (AUROC de 0,78 a 0,96) y a una línea de base sin preentrenamiento (AUROC de 0,68 a 0,91).
• Los modelos de base mejoran significativamente la precisión de la identificación de AMD.

Conclusiones:

• El preentrenamiento con imágenes naturales para ViTs es muy eficaz para la identificación de AMD, lo que cuestiona la necesidad de preentrenamiento en el dominio.
• Los modelos de base ofrecen un valor significativo para mejorar la detección de AMD en DFI.
• El estudio presenta BRAMD, un nuevo conjunto de datos de acceso abierto para la investigación de AMD.