Ir a la navegación principal Ir al contenido principal Ir al pie de página

Aplicaciones del aprendizaje automático en enfermedades de la retina

La inteligencia artificial y otros términos relacionados (aprendizaje automático, aprendizaje profundo, etc.) han centrado la atención de los medios de comunicación los últimos años, pero el significado concreto de estas palabras continúa siendo vago para el público en general. La inteligencia artificial es el campo de la informática que desarrolla máquinas que tienen habilidades que normalmente se asocian a capacidades de los seres humanos, como por ejemplo el aprendizaje. El aprendizaje automático, por su parte, es un campo de la inteligencia artificial que desarrolla modelos y algoritmos para hacer realidad estas máquinas, mientras que otro término que se usa a menudo, el aprendizaje profundo -una subárea del aprendizaje automático-, hace lo mismo a partir de redes neuronales artificiales, sistemas que emulan la manera como piensa el cerebro humano (ver la figura). En oftalmología, los últimos años se han ido utilizado cada vez más los dos paradigmas, el aprendizaje automático y el aprendizaje profundo.

Figura. Relación entre la inteligencia artificial, el aprendizaje automático Y el aprendizaje profundo.

En cuanto al aprendizaje automático, hay dos métodos de trabajo. El método supervisado, en el que el oftalmólogo recoge las características importantes (líquido, drusas) a partir de imágenes (retinografía o tomografía de coherencia óptica [OCT], por ejemplo) o en bases de datos. Entonces, el especialista desarrolla un algoritmo para establecer la relación entre la imagen y las descripciones, hecho que requiere muchas imágenes o muchos datos (miles). Dicho de otro modo, el aprendizaje se hace a partir de ejemplos y el objetivo final es conseguir un pronóstico. En el aprendizaje automático no supervisado, los datos (las imágenes, por ejemplo) no se etiquetan con descripciones y el objetivo general es desarrollar un modelo estadístico que describa los descubrimientos de novo. Este procedimiento permite descubrir relaciones a priori desconocidas y tiene como objetivo final entender mejor los datos.

Por otro lado, en oftalmología, el aprendizaje profundo se centra sobre todo en el análisis de imágenes. Se ha demostrado que los sistemas basados en el aprendizaje profundo han permitido detectar, a partir de retinografías, la retinopatía diabética, la degeneración macular asociada a la edad o la retinopatía de prematuridad1 con un grado de precisión parecido al de los expertos humanos. En otro estudio,2 el algoritmo incluso identificó la edad, el sexo, la presión arterial y el hábito tabáquico solo a partir de una retinografía. Otros sistemas por imagen, sobre todo la OCT, también se pueden usar en las aplicaciones de aprendizaje profundo para detectar y cuantificar de manera automática el líquido de la retina3, e incluso para tomar decisiones en cuanto a la derivación.4 De hecho, la Food and Drug Administration norteamericana (FDA), que es el organismo que se encarga de aprobar los medicamentos y los aparatos médicos en los Estados Unidos, hace poco probó el primer software basado en el aprendizaje profundo que detecta señales que indican si hay que derivar en casos de retinopatía diabética (por encima del umbral de leves).5

En resumen, las posibilidades que ofrecen los sistemas basados en la inteligencia artificial son enormes, ya que incluyen desde aspectos relacionados con la criba, la diagnosis, el tratamiento y el pronóstico (respuesta al tratamiento) hasta la detección de relaciones desconocidas hasta entonces. Los próximos años se usarán de manera habitual en la cura de pacientes con trastornos de la retina.

Referencias

  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 investigación es la única solución de futuro para luchar contra la ceguera

Sólo con tu ayuda lo podremos hacer posible. ¡Ayúdanos a ayudarte! 

Colabora