DME-RWKV: Un marco de aprendizaje profundo multimodal interpretable para predecir la respuesta anti-VEGF en el edema...

Área de la Ciencia:

• Oftalmología
• Imagenología Médica
• Inteligencia Artificial

Sus antecedentes:

• El edema macular diabético (EMD) es una causa principal de pérdida de visión.
• La predicción de la respuesta del paciente a la terapia anti-factor de crecimiento endotelial vascular (anti-VEGF) para el EMD es un desafío clínico importante.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo interpretable para predecir la respuesta al tratamiento anti-VEGF en pacientes con EMD.
• Analizar biomarcadores y mejorar la detección de microlesiones utilizando datos de imágenes multimodales.

Principales métodos:

• Análisis retrospectivo de 402 ojos de 371 pacientes con EMD.
• Desarrollo del modelo DME-Receptance Weighted Key Value (RWKV) que integra imágenes de tomografía de coherencia óptica (OCT) y de campo ultraamplio (UWF).
• Se utilizó aprendizaje de atención causal (CAL), aprendizaje curricular y pérdida de finalización global (GC) para un análisis mejorado.

Principales resultados:

• Logró un coeficiente Dice del 71,91 ± 8,50% para la segmentación de biomarcadores OCT.
• Obtuvo un AUC del 84,36% para predecir la respuesta anti-VEGF, superando los métodos existentes.
• Demostró una sólida interpretabilidad y robustez a través de la integración multimodal.

Conclusiones:

• El modelo DME-RWKV ofrece un marco prometedor de IA para la predicción precisa y explicable de los resultados del tratamiento anti-VEGF en el EMD.
• La capacidad del modelo para imitar el razonamiento clínico mejora su utilidad clínica.
• Este enfoque avanza la medicina personalizada para el manejo del EMD.