Detección de Frotamiento de Ojos Basada en Aprendizaje Profundo Utilizando Dispositivos Vestibles en la Muñeca para...

Área de la Ciencia:

• Oftalmología
• Ingeniería Biomédica
• Inteligencia Artificial

Sus antecedentes:

• El frotamiento de ojos es un factor importante en el desarrollo y la progresión de ectasias corneales como el queratocono.
• Son cruciales métodos objetivos y fiables para cuantificar el frotamiento de ojos para la investigación y la práctica clínica.

Objetivo del estudio:

• Desarrollar y validar una herramienta habilitada para inteligencia artificial (IA) para detectar el frotamiento de ojos utilizando datos de sensores de dispositivos vestibles en la muñeca.
• Evaluar el rendimiento de varios modelos de aprendizaje profundo para la clasificación precisa del frotamiento de ojos.

Principales métodos:

• Se diseñó un sistema automatizado que incorpora adquisición de datos de sensores, preprocesamiento y un modelo de clasificación de aprendizaje profundo.
• Se evaluaron seis arquitecturas de aprendizaje profundo, incluidos modelos 1D y 2D CNN-LSTM y un conjunto.
• Se utilizaron dos conjuntos de datos (dominios de tiempo y frecuencia) que comprenden 8.640 grabaciones de series temporales y 112.320 imágenes de escalogramas de 20 sujetos.

Principales resultados:

• El modelo 1D CNN-LSTM logró un alto rendimiento, con una puntuación F1 del 95,27% y un AUC del 98,26% durante la validación cruzada.
• En el conjunto de pruebas, el sistema mantuvo un rendimiento sólido con una puntuación F1 del 92,54% y un AUC del 96,70%.
• El modelo demostró capacidades en tiempo real, requiriendo solo 15,32 milisegundos para la inferencia por segmento.

Conclusiones:

• El sistema impulsado por IA detecta de manera confiable los comportamientos de frotamiento de ojos.
• Esta herramienta tiene un potencial significativo para ayudar a oftalmólogos e investigadores a estudiar el papel del frotamiento de ojos en el queratocono y otras enfermedades corneales.