Rendimiento de un sistema de aprendizaje profundo y rendimiento de optometristas para la detección de neuropatía óptica glaucomatosa utilizando fotografías de retina a color
Autores: Jan, Catherine L.; Vingrys, Algis; Henwood, Jacqueline; Shang, Xianwen; Davey, Christian; van Wijngaarden, Peter; Kong, George Y. X.; Fan Gaskin, Jennifer C.; Soares Bezerra, Bernardo P.; Stafford, Randall S.; He, Mingguang
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Rendimiento de un sistema de aprendizaje profundo y rendimiento de optometristas para la detección de neuropatía óptica glaucomatosa utilizando fotografías de retina a color
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Glaucoma
Disco óptico
Sistema de IA
Optometristas
Detección de GON
Fotografías de fondo de ojo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 33
Citaciones: Sin citaciones
Antecedentes/Objetivos: El glaucoma es la principal causa de ceguera irreversible, con una proporción significativa de casos que permanecen sin diagnosticar a nivel mundial. La interpretación de imágenes del disco óptico y la capa de fibras nerviosas de la retina plantea desafíos para los optometristas y oftalmólogos, lo que a menudo conduce a errores de diagnóstico. La IA tiene el potencial de mejorar el diagnóstico. Este estudio tiene como objetivo validar un sistema de IA (una red neuronal convolucional basada en la arquitectura Inception-v3) para detectar la neuropatía óptica glaucomatosa (GON) utilizando fotografías de fondo de ojo en color de una población del Reino Unido y comparar su rendimiento con el de optometristas australianos. Métodos: Se realizó un estudio de validación externa retrospectiva, comparando el rendimiento de la IA con el de 11 optometristas registrados en AHPRA en Australia en fotografías de retina en color, evaluadas frente a un estándar de referencia (oro) establecido por un panel de especialistas en glaucoma. Se realizaron análisis estadísticos utilizando sensibilidad, especificidad y área bajo la curva característica de funcionamiento del receptor (AUROC). Resultados: Para GON remitible, la sensibilidad de la IA (33.3% [IC del 95%: 32.4-34.3) fue significativamente menor que la de los optometristas (65.1% [IC del 95%: 64.1-66.0]), < 0.0001, aunque con una especificidad significativamente mayor (IA: 97.4% [IC del 95%: 97.0-97.7]; optometristas: 85.5% [IC del 95%: 84.8-86.2], < 0.0001). Los optometristas demostraron un AUROC significativamente mayor (0.753 [IC del 95%: 0.744-0.762]) en comparación con la IA (0.654 [IC del 95%: 0.645-0.662], < 0.0001). Conclusión: El sistema de IA mostró un rendimiento inferior al de los optometristas en la detección de glaucoma remitible. Nuestros hallazgos sugieren que si bien la IA puede servir como una herramienta de detección, tanto la IA como los optometristas tienen un rendimiento subóptimo para el diagnóstico matizado del glaucoma utilizando solo fotografías de fondo de ojo. Es esencial un entrenamiento mejorado con poblaciones diversas para la IA con el fin de mejorar la detección de GON y abordar el importante desafío de los casos no diagnosticados.
Descripción
Antecedentes/Objetivos: El glaucoma es la principal causa de ceguera irreversible, con una proporción significativa de casos que permanecen sin diagnosticar a nivel mundial. La interpretación de imágenes del disco óptico y la capa de fibras nerviosas de la retina plantea desafíos para los optometristas y oftalmólogos, lo que a menudo conduce a errores de diagnóstico. La IA tiene el potencial de mejorar el diagnóstico. Este estudio tiene como objetivo validar un sistema de IA (una red neuronal convolucional basada en la arquitectura Inception-v3) para detectar la neuropatía óptica glaucomatosa (GON) utilizando fotografías de fondo de ojo en color de una población del Reino Unido y comparar su rendimiento con el de optometristas australianos. Métodos: Se realizó un estudio de validación externa retrospectiva, comparando el rendimiento de la IA con el de 11 optometristas registrados en AHPRA en Australia en fotografías de retina en color, evaluadas frente a un estándar de referencia (oro) establecido por un panel de especialistas en glaucoma. Se realizaron análisis estadísticos utilizando sensibilidad, especificidad y área bajo la curva característica de funcionamiento del receptor (AUROC). Resultados: Para GON remitible, la sensibilidad de la IA (33.3% [IC del 95%: 32.4-34.3) fue significativamente menor que la de los optometristas (65.1% [IC del 95%: 64.1-66.0]), < 0.0001, aunque con una especificidad significativamente mayor (IA: 97.4% [IC del 95%: 97.0-97.7]; optometristas: 85.5% [IC del 95%: 84.8-86.2], < 0.0001). Los optometristas demostraron un AUROC significativamente mayor (0.753 [IC del 95%: 0.744-0.762]) en comparación con la IA (0.654 [IC del 95%: 0.645-0.662], < 0.0001). Conclusión: El sistema de IA mostró un rendimiento inferior al de los optometristas en la detección de glaucoma remitible. Nuestros hallazgos sugieren que si bien la IA puede servir como una herramienta de detección, tanto la IA como los optometristas tienen un rendimiento subóptimo para el diagnóstico matizado del glaucoma utilizando solo fotografías de fondo de ojo. Es esencial un entrenamiento mejorado con poblaciones diversas para la IA con el fin de mejorar la detección de GON y abordar el importante desafío de los casos no diagnosticados.