Modelos de aprendizaje profundo multi-flujo utilizando tomografía de coherencia óptica multimodal para predecir el...

Área de la Ciencia:

• Oftalmología
• Imágenes Médicas
• Inteligencia Artificial

Sus antecedentes:

• La membrana epirretiniana (ERM) puede causar deterioro visual.
• La predicción precisa del deterioro visual es crucial para el manejo de la ERM.
• La tomografía de coherencia óptica (OCT) proporciona imágenes detalladas de la retina.

Objetivo del estudio:

• Desarrollar modelos de aprendizaje profundo multi-flujo utilizando imágenes OCT multimodales para predecir el deterioro visual en ERM.
• Identificar las características de imagen OCT que sirven como biomarcadores para el deterioro visual en ERM.

Principales métodos:

• Inclusión retrospectiva de pacientes con ERM idiopática.
• Recopilación de ocho tipos de imágenes OCT: B-scan, angiografía OCT en face y mapas de grosor retiniano.
• Desarrollo de modelos de aprendizaje profundo multi-flujo para la predicción del deterioro visual.
• Utilización de Grad-CAM para la visualización de mapas de calor.

Principales resultados:

• Los modelos de un solo flujo mostraron un rendimiento variable, disminuyendo en la validación externa.
• Los modelos multi-flujo con dos o tres entradas mejoraron el rendimiento predictivo.
• Un modelo de ocho flujos que integra todas las modalidades logró una precisión del 90,90% en el desarrollo y del 80,00% en la validación externa.
• Los mapas de calor destacaron las áreas foveal/parafoveal y los cambios retinianos como indicadores clave de predicción.

Conclusiones:

• La imagen OCT multimodal, incluyendo B-scan, angiografía OCT en face y mapas de grosor retiniano, puede predecir el deterioro visual en ERM utilizando aprendizaje profundo.
• El enfoque de aprendizaje profundo multi-flujo mejora la precisión predictiva.
• Este método puede ayudar a localizar regiones críticas de la retina afectadas por ERM, ayudando a comprender el compromiso visual.