Red neuronal de isomorfismo de grafos para detectar defectos del campo visual glaucomatoso | JoVE Visualize

Área de la Ciencia:

Oftalmología y Visión Computacional
Inteligencia Artificial en Diagnóstico Médico

Sus antecedentes:

Los defectos del campo visual glaucomatoso son una causa principal de ceguera irreversible.
La detección precisa y temprana de estos defectos es crucial para la intervención y el manejo oportunos.
Los métodos de diagnóstico actuales, incluidos los criterios de perimetría automatizada estándar (SAP), tienen limitaciones en sensibilidad y especificidad.

Objetivo del estudio:

Evaluar un modelo de aprendizaje profundo (DL) basado en redes de isomorfismo de grafos (GIN) para detectar defectos del campo visual glaucomatoso utilizando datos SAP 24-2.
Comparar el rendimiento del modelo GIN con los criterios de diagnóstico tradicionales (Anderson, GHT/PSD), una red neuronal densa (NN) y una red neuronal convolucional (CNN).

Principales métodos:

Se realizó un estudio transversal retrospectivo analizando 1874 pruebas SAP fiables de 676 pacientes.
Se desarrolló un modelo GIN, tratando los datos SAP como grafos con características de nodos que incluyen valores de sensibilidad y desviación.
Se evaluó el rendimiento utilizando métricas como AUC, sensibilidad y precisión, comparando GIN con criterios tradicionales y otros modelos DL.

Principales resultados:

El modelo GIN logró un Área bajo la curva (AUC) superior de 0.982, superando significativamente los criterios de Anderson (0.906), GHT/PSD (0.936), NN (0.941) y CNN (0.941).
Con una especificidad del 95%, el modelo GIN demostró la mayor sensibilidad (94,1%), superando a otros métodos.
El análisis de explicabilidad confirmó que el modelo GIN se centra en regiones de daño glaucomatoso clínicamente relevantes, ofreciendo una mejor interpretabilidad.

Conclusiones:

Modelar datos SAP como grafos utilizando GIN proporciona un rendimiento diagnóstico e interpretabilidad superiores para detectar defectos del campo visual glaucomatoso.
El modelo GIN representa un avance prometedor para el diagnóstico de glaucoma preciso y explicable en entornos clínicos.
Este enfoque de aprendizaje profundo basado en grafos mejora las capacidades de detección más allá de los criterios convencionales y las redes neuronales estándar.