El glaucoma es la segunda causa principal de ceguera en el mundo. impactando aproximadamente a 2.7 millones de personas solo en los EE. UU. Es un conjunto complejo de enfermedades y, si no se trata, puede provocar ceguera. Es un problema particularmente importante en Australia, donde solo el 50 por ciento de todas las personas que la padecen son realmente diagnosticadas y reciben el tratamiento que necesitan.

Como parte de un equipo de científicos de IBM y la Universidad de Nueva York, mis colegas y yo estamos buscando nuevas formas en que la IA podría usarse para ayudar a los oftalmólogos y optometristas a utilizar aún más las imágenes oculares, y potencialmente ayudar a acelerar el proceso de detección de glaucoma en imágenes. En un artículo reciente, detallamos un nuevo marco de aprendizaje profundo que detecta el glaucoma directamente a partir de imágenes tomográficas de coherencia óptica (OCT) sin procesar, un método que utiliza ondas de luz para tomar fotografías de cortes transversales de la retina. Este método logró una tasa de precisión del 94 por ciento, sin ninguna segmentación adicional o depuración de los datos, que suele llevar mucho tiempo.

En la actualidad, el glaucoma se diagnostica mediante una variedad de pruebas, tales como mediciones de presión intraocular y pruebas de campo visual, así como imágenes de fondo de ojo y OCT. OCT proporciona una forma eficiente de visualizar y cuantificar estructuras en el ojo, a saber, la capa de fibras nerviosas de la retina (RNFL), que cambia con la progresión de la enfermedad.

Aunque este enfoque funciona bien, requiere un proceso adicional para cuantificar la RNFL en imágenes OCT. Estas técnicas también suelen limpiar los datos de entrada de diversas formas, como voltear todos los ojos en la misma orientación (izquierda o derecha) para reducir la variabilidad en los datos y mejorar el rendimiento de los clasificadores. Nuestro enfoque elimina estos pasos adicionales, lo que indica que estas etapas potencialmente lentas no son necesarias para la detección del glaucoma.

Por último, cuando se normaliza por una tasa de falsos positivos, en una cohorte de 624 sujetos (217 sanos y 432 pacientes con glaucoma), nuestro nuevo enfoque, fundada en el aprendizaje profundo, detecta correctamente los ojos glaucomatosos en el 94 por ciento de los casos, mientras que las técnicas mencionadas anteriormente solo encontraron esto en el 86 por ciento de los casos. Creemos que esta precisión mejorada es el resultado de la eliminación de errores en la segmentación automatizada de estructuras en las imágenes, así como de la inclusión de regiones de la imagen que actualmente no se utilizan clínicamente para este propósito.

Adicionalmente, contrariamente a la tendencia actual en la investigación de IA que utiliza redes más grandes y profundas, la red que usamos era una red pequeña de 5 capas porque los datos médicos no son tan fácilmente accesibles debido a su naturaleza confidencial. Esta escasez de datos hace que el uso de grandes redes no sea práctico en muchas aplicaciones médicas. Incluso en la investigación, a veces vemos que "menos es más, "y el entrenamiento de estos algoritmos en redes más pequeñas les permite funcionar con mayor eficiencia.

Esta es solo una faceta de nuestra investigación sobre la aplicación de la IA al ojo. En una nueva colaboración anunciada recientemente, IBM Research y George &Matilda (G&M) aprovecharán el sólido conjunto de datos de G&M de datos clínicos anónimos y estudios de imágenes para explorar métodos para utilizar modelos de aprendizaje profundo y análisis de imágenes para ayudar a los médicos en la identificación y detección de enfermedades oculares, incluido el glaucoma, en imágenes. . Los investigadores también buscarán investigar los posibles biomarcadores del glaucoma, lo que podría ayudar a comprender mejor la progresión de la enfermedad.

Esta historia se vuelve a publicar por cortesía de IBM Research. Lea la historia original aquí.