Avances en la Detección de Enfermedades de la Retina Usando IA

Nuestra investigación busca detectar enfermedades temprano a través de la observación de los vasos sanguíneos en imágenes de la retina, que es la parte trasera del ojo. Usamos un proceso llamado segmentación automática para identificar estos vasos sanguíneos. Este método tiene potencial para detectar problemas antes, pero es complicado porque las técnicas actuales a menudo tienen dificultades para diferenciar entre áreas sanas y problemáticas.

Estamos trabajando con aprendizaje profundo, un tipo de inteligencia artificial, para mejorar la clasificación de imágenes retinianas. En específico, utilizamos ocho modelos de red neuronal convolucional (CNN) preentrenados para analizar las imágenes. Para que nuestros hallazgos sean más claros, aplicamos técnicas de IA explicable, que ayudan a ilustrar cómo nuestros modelos toman decisiones, lo que lleva a resultados más confiables.

En nuestro estudio, también revisamos diez modelos diferentes, incluyendo varias formas de Attention U-Net y Swin-UNET. Incorporamos múltiples arquitecturas como ResNet50V2, ResNet101V2, DenseNet121, entre otras. Esto nos ayuda a entender cómo los mecanismos de atención pueden mejorar el análisis de imágenes de la retina.

Entre todos los modelos que estudiamos para clasificar imágenes retinianas, ResNet101 fue el que mejor resultó, alcanzando una precisión del 94.17%. En contraste, EfficientNetB0 tuvo la precisión más baja con un 88.33%. En cuanto a la segmentación de los vasos sanguíneos, Swin-Unet logró una precisión media de píxeles del 86.19%, mostrando su efectividad para identificar áreas importantes en la retina. Attention U-Net con DenseNet201 tuvo el peor rendimiento en segmentación, con un puntaje de 75.87%. Nuestros hallazgos proporcionan información útil sobre cómo los modelos de aprendizaje profundo pueden analizar imágenes retinianas y mejorar diagnósticos médicos.

#¿Qué es una imagen de fondo?

Una imagen de fondo es una fotografía del interior del ojo, que captura la retina, la coroides, los vasos sanguíneos y el nervio óptico. Es una herramienta importante que utilizan los oftalmólogos para revisar enfermedades oculares que podrían afectar tu visión con el tiempo. Esta tecnología es esencial para diagnosticar y hacer seguimiento a condiciones como la Retinopatía Diabética, el Glaucoma y la Degeneración Macular Relacionada con la Edad (AMD).

#Retinopatía Diabética

La retinopatía diabética es una condición que afecta los vasos sanguíneos en la retina debido a la diabetes. Puede provocar problemas severos de visión si no se trata adecuadamente. Los exámenes oculares son cruciales para la detección temprana y evitar complicaciones más serias.

#Glaucoma

El glaucoma a menudo se llama "el ladrón silencioso de la vista". Puede dañar el nervio óptico y a menudo pasa desapercibido hasta que se ha producido un daño significativo. La alta presión en el ojo es un factor común, y el diagnóstico temprano es importante para prevenir la pérdida de visión.

#Degeneración Macular Relacionada con la Edad (AMD)

La AMD es una enfermedad común que afecta la parte central de la retina. Esta condición conduce a la visión borrosa y suele verse en adultos mayores. Puede presentarse en dos formas: húmeda y seca. La AMD húmeda incluye el crecimiento anormal de vasos sanguíneos, mientras que la AMD seca muestra depósitos llamados drusen.

#¿Cómo se diagnostican estas condiciones?

El diagnóstico de retinopatía diabética, glaucoma y AMD normalmente implica una combinación de evaluaciones clínicas y técnicas de imagen avanzadas. La fotografía de fondo ofrece imágenes claras de la retina, mientras que la tomografía de coherencia óptica (OCT) proporciona vistas en sección cruzada que ayudan a identificar problemas con la mácula. Las mediciones de presión ocular y varias técnicas de examen ayudan a evaluar problemas relacionados con el glaucoma. Para la retinopatía diabética, pruebas como la angiografía con fluoresceína combinadas con fotografía de fondo resaltan las anomalías en los vasos sanguíneos.

Los sistemas de evaluación automatizados pueden hacer que la detección sea más eficiente, lo cual es crítico para la detección y tratamiento tempranos.

#El papel de la IA en la detección de enfermedades oculares

Los recientes avances en inteligencia artificial (IA) han revolucionado el campo de la imagen médica. Muchas enfermedades oculares no muestran síntomas tempranos, por lo que es vital implementar programas de cribado semiautomatizados para detectar enfermedades temprano. Las prácticas de cribado eficientes no solo mejoran los resultados del tratamiento, sino que también hacen el proceso más rentable.

La IA puede transformar la forma en que se clasifican las Imágenes de fondo retiniano, mejorando significativamente las capacidades de diagnóstico en oftalmología.

#Técnicas de segmentación de vasos sanguíneos retinianos

Cuando se trata de segmentar vasos sanguíneos retinianos en imágenes médicas, los dos métodos principales son las técnicas supervisadas y no supervisadas. Estos métodos ayudan a automatizar la tarea bastante compleja. Aunque se ha avanzado mucho, aún existen desafíos, especialmente en cuanto al rendimiento de los modelos existentes, que pueden tener dificultades para segmentar con precisión los vasos en presencia de patrones superpuestos o anormales.

Las CNN se han convertido en una herramienta esencial en este ámbito, aunque a menudo se consideran "cajas negras". Esto significa que es difícil entender cómo llegan a ciertas decisiones. Por lo tanto, utilizar métodos de IA explicable (XAI) se vuelve crucial para interpretar las capas de la CNN de manera efectiva y obtener información sobre su funcionamiento.

#Estudios relacionados

En los últimos años, numerosos estudios han contribuido a la segmentación y clasificación automática de vasos retinianos. Por ejemplo, un estudio utilizó una CNN para clasificar imágenes de fondo con precisión, logrando una alta precisión del 99% en un conjunto de datos grande. Sin embargo, se centró principalmente en una técnica de IA explicable sin explorar otros métodos que podrían proporcionar una visión más profunda.

Otra investigación indicó que el uso de CNN para predecir edad y género a partir de imágenes retinianas mostró resultados prometedores, pero solo utilizó un método de interpretabilidad.

Varios estudios han destacado el potencial de los algoritmos de aprendizaje profundo en la categorización de imágenes de fondo en clases críticas, pero muchos perdieron oportunidades de incluir técnicas de XAI junto con sus implementaciones de modelos, limitando la transparencia.

#Nuestro enfoque de investigación

Para mejorar la comprensión e interpretación de las imágenes de fondo, introdujimos dos pipelines distintos en nuestra investigación. El primero se ocupa de clasificar estas imágenes. Combinamos cinco técnicas de XAI y utilizamos ocho CNN. El objetivo es clasificar las imágenes rápidamente mientras se proporcionan explicaciones comprensibles para las decisiones tomadas.

El segundo pipeline se centra en la segmentación de vasos sanguíneos retinianos utilizando modelos como Attention U-Net, Trans U-Net y Swin-UNET. Esta etapa ofrece detalles sobre la compleja red de vasos que se encuentran en las imágenes de fondo.

#Hallazgos clave

Realizamos una evaluación exhaustiva de ocho modelos de CNN preentrenados para clasificar imágenes de fondo. Además, implementamos varias técnicas de XAI para mejorar la interpretabilidad de nuestros modelos, arrojando luz sobre sus procesos de toma de decisiones.

También exploramos varias arquitecturas dentro del marco de Attention U-Net, aprovechando diferentes espinas de seguridad para analizar su rendimiento.

En términos de precisión de clasificación, ResNet101 superó a los otros modelos, mientras que EfficientNetB0 tuvo la menor precisión. En el ámbito de la segmentación, Attention U-Net con ResNet101V2 fue el que mejor se desempeñó, demostrando el potencial de usar modelos avanzados para obtener mejores resultados.

#Métricas de rendimiento

Para las tareas de clasificación, usamos varias métricas de evaluación como precisión, exactitud, recuperación, puntaje F1, puntaje de Jaccard y pérdida logarítmica. Para las tareas de segmentación, nos enfocamos en métricas como Intersección sobre Unión (IoU), Coeficiente de Dice, Precisión Media de Píxeles, Distancia de Hausdorff Modificada Media y Superficie Media de Solapamiento de Dice.

#Conjuntos de datos utilizados

Para nuestras tareas de clasificación, utilizamos la base de datos FIVES, que incluye un conjunto diverso de imágenes de fondo retinianas. Para las tareas de segmentación, empleamos los conjuntos de datos DRIVE y FIVES. Estos conjuntos de datos consisten en imágenes de fondo de alta resolución, obtenidas de exámenes para detectar enfermedades como la retinopatía diabética.

#Métodos de IA explicable

Aplicamos varias técnicas de XAI, incluyendo Grad-CAM, Grad-CAM++, Score-CAM, Faster Score-CAM y Layer CAM. Estos métodos ayudan a visualizar qué partes de las imágenes contribuyeron más a las predicciones del modelo, mejorando así la interpretabilidad.

La XAI nos permite visualizar las regiones críticas en las imágenes de fondo que son influyentes en el proceso de clasificación. Esta visualización aumenta la transparencia y facilita que los profesionales médicos confíen en las conclusiones del modelo.

#Conclusión

Al analizar los vasos sanguíneos retinianos en imágenes de fondo, nuestra investigación contribuye significativamente a la identificación temprana de enfermedades. Exploramos dos pipelines que mejoran nuestra comprensión e interpretación de estas imágenes. Nuestra fusión de modelos CNN populares con técnicas de XAI permite una clasificación rápida de imágenes mientras proporciona información sobre los procesos de decisión de estos modelos.

La investigación destaca a ResNet101 como el modelo líder en clasificación, logrando alta precisión, y también muestra el potencial de modelos avanzados de segmentación en el análisis de sistemas vasculares complejos en imágenes de fondo. El uso de diversas arquitecturas y modelos subraya la importancia de la investigación continua en esta área crítica, ofreciendo conocimientos que pueden beneficiar la atención médica y la imagenología diagnóstica.

Este estudio alienta una mayor exploración en la integración de la IA en oftalmología, que tiene un gran potencial para un diagnóstico temprano y mejorar la atención al paciente.