Anar a la navegació principal Anar al contingut principal Anar al peu de pàgina

Aplicacions de l’aprenentatge automàtic en malalties de la retina

La intel·ligència artificial i altres termes relacionats (aprenentatge automàtic, aprenentatge profund, etc.) han centrat l’atenció dels mitjans de comunicació els darrers anys, però el significat concret d’aquestes paraules continua sent vague per al públic en general. La intel·ligència artificial és el camp de la informàtica que desenvolupa màquines que tenen habilitats que normalment s’associen a capacitats dels éssers humans, com ara l’aprenentatge. L’aprenentatge automàtic, per la seva banda, és un camp de la intel·ligència artificial que desenvolupa models i algoritmes per a fer realitat aquestes màquines, mentre que un altre terme que es fa servir sovint, l’aprenentatge profund -una subàrea de l’aprenentatge automàtic-, fa el mateix a partir de xarxes neuronals artificials, sistemes que emulen la manera com pensa el cervell humà (vegeu la figura). En oftalmologia, els darrers anys s’han anat fent servir cada vegada més els dos paradigmes, l’aprenentatge automàtic i l’aprenentatge profund.

Figura. Relació entre la intel·ligència artificial, l’aprenentatge automàtic I l’aprenentatge profund.

Pel que fa a l’aprenentatge automàtic, hi ha dos mètodes de treball. El mètode supervisat, en què l’oftalmòleg recull les característiques importants (líquid, druses) a partir d’imatges (retinografia o tomografia de coherència òptica [OCT], per exemple) o en bases de dades. Aleshores, l’especialista desenvolupa un algoritme per a establir la relació entre la imatge i les descripcions, cosa que requereix moltes imatges o moltes dades (milers). Dit d’una altra manera, l’aprenentatge es fa a partir d’exemples i l’objectiu final és aconseguir un pronòstic. En l’aprenentatge automàtic no supervisat, les dades (les imatges, per exemple) no s’etiqueten amb descripcions i l’objectiu general és desenvolupar un model estadístic que descrigui els descobriments de novo. Aquest procediment permet descobrir relacions a priori desconegudes i té com a objectiu final entendre millor les dades.

D’altra banda, en oftalmologia, l’aprenentatge profund se centra sobretot en l’anàlisi d’imatges. S’ha demostrat que els sistemes basats en l’aprenentatge profund han permès detectar, a partir de retinografies, la retinopatia diabètica, la degeneració macular associada a l’edat o la retinopatia de prematuritat1 amb un grau de precisió semblant al dels experts humans. En un altre estudi,2 l’algoritme fins i tot va identificar l’edat, el sexe, la pressió arterial i l’hàbit tabàquic només a partir d’una retinografia. Altres sistemes per imatge, sobretot l’OCT, també es poden fer servir en les aplicacions d’aprenentatge profund per a detectar i quantificar de manera automàtica el líquid de la retina3, i fins i tot per a prendre decisions pel que fa a la derivació.4 De fet, la Food and Drug Administration nord-americana (FDA), que és l’organisme que s’encarrega d’aprovar els medicaments i els aparells mèdics als Estats Units, fa poc va provar el primer programari basat en l’aprenentatge profund que detecta senyals que indiquen si cal derivar en casos de retinopatia diabètica (per sobre del llindar de lleus).5

En resum, les possibilitats que ofereixen els sistemes basats en la intel·ligència artificial són enormes, ja que inclouen des d’aspectes relacionats amb el cribratge, la diagnosi, el tractament i el pronòstic (resposta al tractament) fins a la detecció de relacions desconegudes fins aleshores. Els propers anys es faran servir de manera habitual en la cura de pacients amb trastorns de la retina.

Referències

  1. Ting, D. S. W. [et al.]. «Deep learning in ophthalmology: the technical and clinical considerations». Prog. Retin. Eye Res. [En premsa]
  2. Poplin, R. [et al.]. «Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning». Nat. Biomed. Eng., 2 (2018): 158-164.
  3. Schmidt-Erfürth, U. [et al.]. «Artificial intelligence in retina». Prog. Retin. Eye Res., 67 (2018): 1-29.
  4. De Fauw J [et al.]. «Clinically applicable deep learning for diagnosis and referral in retinal disease». Nat. Med., 24 (2018): 1342-1350.
  5. Verbraak, F. D. [et al.]. «Diagnostic accuracy of a device for the automated detection of diabetic retinopathy in a primary care setting». Diab. Care, 42 (2019): 651-656.

Autor: Dr. Marc Biarnés

La recerca és l'única solució de futur per lluitar contra la ceguesa

Només amb el teu ajut ho podrem fer possible. Ajuda'ns a ajudar-te!

Col·labora-hi