Una nueva implementación multimodal de un modelo de inteligencia artificial fundacional utilizando fotografías del...

Área de la Ciencia:

• Oftalmología; Inteligencia Artificial; Imágenes Médicas

Sus antecedentes:

• La detección del glaucoma se basa en la interpretación precisa de las imágenes oculares.; Los modelos de aprendizaje autosupervisado como RETFound ofrecen potencial para la detección automatizada de enfermedades.; La evaluación de enfoques multimodales puede mejorar el rendimiento diagnóstico.

Objetivo del estudio:

• Comparar los modelos RETFound unimodales y multimodales para la detección de glaucoma utilizando fotografías de fondo de ojo a color (CFP) e imágenes de OCT.; Evaluar la generalización de estos modelos en diferentes etnias, grupos de edad y severidades de la enfermedad.; Determinar la implementación óptima de IA para el diagnóstico clínico del glaucoma.

Principales métodos:

• Se desarrolló un modelo multimodal RETFound utilizando pares de CFP e imágenes de OCT.; Se comparó su rendimiento con modelos RETFound unimodales solo de CFP y solo de OCT.; Se estratificó el análisis de rendimiento por raza, edad y severidad del glaucoma.

Principales resultados:

• El modelo multimodal logró un AUC de 0.94, superando al modelo unimodal de CFP (AUC 0.86) pero no al modelo unimodal de OCT (AUC 0.93).; Los modelos multimodales y unimodales de OCT mostraron mayor precisión y recall que el modelo unimodal de CFP.; Todos los modelos tuvieron un mejor rendimiento en la detección de glaucoma de moderado a severo que en el glaucoma leve.

Conclusiones:

• El modelo multimodal RETFound ofrece una capacidad diagnóstica mejorada en comparación con los modelos unimodales de CFP.; Los modelos de IA unimodales de OCT demuestran un rendimiento comparable a los enfoques multimodales.; La IA unimodal de OCT puede ser suficiente y más fácil de implementar para la detección clínica del glaucoma.