← Volver al inicio

Dos tipos de imágenes del fondo de ojo que se complementan: RETBind mejora el rendimiento en nueve pruebas de referencia de IA oftalmológica

Mediante el aprendizaje con pares de imágenes tomográficas y de fondo de ojo de campo ultraamplio del mismo paciente, RETBind intenta que la IA interprete indicios retinianos complementarios. Los resultados en nueve conjuntos de datos respaldan esta línea de investigación, pero aún hace falta validación clínica para demostrar beneficios en la consulta.

By SURL BioNews

Los mismos ojos ofrecen indicios diferentes según la exploración. La tomografía de coherencia óptica (OCT) muestra la estructura en capas de la retina, mientras que la fotografía de fondo de ojo de campo ultraamplio ofrece una visión más extensa del fondo ocular. Cómo lograr que la inteligencia artificial conecte esta información es uno de los retos de la investigación en imagen oftalmológica; el nuevo modelo RETBind opta por aprender las relaciones entre ambos tipos de imágenes de un mismo paciente.

El estudio se publicó el 3 de noviembre en «npj Digital Medicine», con la participación de equipos de la Universidad Sungkyunkwan de Corea del Sur e instituciones de atención oftalmológica, entre otros. El Laboratorio de Ciencia de Datos e Inteligencia Artificial de la Universidad Sungkyunkwan ya había anunciado en octubre la aceptación de un artículo con el mismo título y había mencionado a Jian, Hyunseon, JeeEun y Sihyeon entre los investigadores participantes; ese anuncio confirmó el avance de la investigación, sin aportar resultados adicionales de validación clínica.

RETBind es un modelo fundacional que puede utilizarse en tareas posteriores de análisis de imágenes. El estudio realizó el preentrenamiento con imágenes de OCT y de fondo de ojo de campo ultraamplio emparejadas por paciente, utilizando un codificador compartido para ambos tipos de imágenes que las convierte en características reconocibles para el modelo. La clave de este diseño es incorporar al aprendizaje conjunto la información complementaria que aportan las distintas exploraciones, en lugar de procesar cada tipo de imagen por separado.

El equipo investigador informó de mejoras en el rendimiento de RETBind en los nueve conjuntos de datos de referencia, que abarcan la clasificación de enfermedades oculares y la segmentación de imágenes. Las tareas de clasificación se centran en identificar categorías de enfermedades, mientras que las de segmentación requieren que el modelo delimite regiones específicas en las imágenes. Los autores destacaron, en particular, una mejora del área bajo la curva de precisión y exhaustividad (AUPR) cuando el número de muestras es desigual entre categorías; esta medida ayuda a evaluar el rendimiento en la identificación de categorías minoritarias, pero no puede traducirse directamente en una cifra de diagnósticos omitidos que se evitarían en la consulta.

Las nueve pruebas de referencia aportan evidencia de que el modelo puede utilizarse en distintas tareas, aunque todavía no demuestran beneficios clínicos prospectivos. Antes de su uso en la práctica asistencial, es necesario confirmar su fiabilidad en distintos hospitales, equipos y poblaciones de pacientes, así como determinar si su incorporación al proceso de interpretación médica mejora el diagnóstico, la derivación o las actuaciones posteriores. Los resultados actuales tampoco bastan para concluir que el modelo pueda utilizarse para realizar diagnósticos de forma independiente.

El artículo también examina, mediante un análisis exploratorio, la posibilidad de predecir enfermedades sistémicas a partir de imágenes de la retina; esta parte debe considerarse una pista para futuras investigaciones. Por ahora, la contribución más clara de RETBind es ofrecer una vía técnica verificable para integrar distintos tipos de imágenes oftalmológicas de un mismo paciente; la posibilidad de traducir los resultados de las pruebas en beneficios para los pacientes aún debe evaluarse en los procesos asistenciales reales.

References

  1. npj Digital Medicine
  2. Data Science and Artificial Intelligence Lab, Sungkyunkwan University