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

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.