Liderado por el Clínico, Aprendizaje Profundo sin Código para Detectar Papiledema y Pseudopapiledema Mediante...

Área de la Ciencia:

• Oftalmología
• Inteligencia Artificial
• Imágenes Médicas

Sus antecedentes:

• Diferenciar el papiledema del pseudopapiledema es crucial para un diagnóstico oportuno y para evitar procedimientos innecesarios.
• La tomografía de coherencia óptica (OCT) y su imagen de reflectancia infrarroja cercana (NIR) ofrecen una visualización detallada de la cabeza del nervio óptico.

Objetivo del estudio:

• Evaluar el rendimiento de las plataformas de aprendizaje automático automatizado (AutoML) para distinguir el papiledema de los discos ópticos normales y las drusas del disco óptico (ODD).
• Evaluar la capacidad de los modelos AutoML para graduar la gravedad del papiledema utilizando imágenes OCT NIR.

Principales métodos:

• Un estudio de cohorte retrospectivo analizó 813 imágenes OCT NIR de 289 pacientes con discos normales, papiledema o ODD.
• Se probaron tres plataformas AutoML (Amazon Rekognition, Medic Mind, Google Vertex) para tareas de clasificación y gradación de gravedad.
• Las métricas de rendimiento incluyeron el área bajo la curva (AUC), la precisión, la recuperación y la puntuación F1.

Principales resultados:

• Amazon Rekognition logró el mayor rendimiento, con un AUC de 0.90 y una puntuación F1 de 0.81 para distinguir el papiledema del disco óptico normal/drusas (ODD).
• Para la gradación de la gravedad del papiledema, Amazon Rekognition también lideró con un AUC de 0.90 y una puntuación F1 de 0.79.
• Google Vertex y Medic Mind demostraron una precisión ligeramente menor y tasas de clasificación errónea más altas en comparación con Amazon Rekognition.

Conclusiones:

• Las plataformas AutoML son factibles para clasificar el papiledema utilizando imágenes OCT NIR.
• Estos modelos demuestran potencial como una solución accesible y escalable para el diagnóstico clínico del papiledema.
• Se requiere una validación externa adicional para confirmar la utilidad clínica de AutoML en la evaluación del papiledema.