Uso de la inteligencia artificial en la detección del edema macular diabético a partir de imágenes de fotografía de fondo o tomografía de coherencia óptica
Sello Editorial Lugones©
La retinopatía diabética es una complicación neurovascular de la diabetes. El edema macular diabético, que puede desarrollarse en cualquier etapa de la retinopatía diabética, es la causa principal de pérdida de visión irreversible en personas con diabetes, superando a la retinopatía diabética proliferativa como la causa más frecuente de discapacidad visual entre las personas con diabetes en los países desarrollados.
Como la ceguera del edema macular diabético se puede prevenir con un tratamiento oportuno, es importante identificar con precisión esta condición en las personas con diabetes. Dado que se prevé que la población con diabetes se acerque a los 600 millones en todo el mundo para 2035, es probable que el edema macular diabético sea responsable de una pérdida sustancial de la visión a menos que se detecte antes y se trate adecuadamente en el futuro.
Es probable que el edema macular diabético sea responsable de una pérdida sustancial de la visión, a menos que se detecte antes y se trate adecuadamente en el futuro
Métodos de diagnóstico
Los programas de detección de la retinopatía diabética se implementan actualmente a nivel de atención primaria en muchos países utilizando fotografía digital de fondo (FP) no estereoscópica bidimensional (2D) con cámaras de fondo. Cuando se identifican signos de edema macular diabético (EMD) u otra retinopatía que amenaza la vista, los pacientes son derivados a oftalmólogos para un examen clínico y tratamiento adicionales. Sin embargo, el diagnóstico de EMD requiere la identificación del engrosamiento de la retina, que es un concepto tridimensional (3D) que es difícil de diagnosticar de manera confiable basado en FP 2D.
La tomografía de coherencia óptica de dominio espectral (SD-OCT) es una modalidad de imagen no invasiva que proporciona exploraciones volumétricas 3D de las estructuras retinianas en capas. Se ha utilizado ampliamente como el estándar de oro para el diagnóstico de EMD en entornos clínicos y ensayos clínicos, el seguimiento de la respuesta al tratamiento y el suministro de información pronóstica. Su papel como herramienta de detección para la EMD se ha investigado en estudios piloto, lo que muestra que la implementación de la OCT en los programas de detección de la retinopatía diabética proporciona una reducción de las referencias para la maculopatía diabética en un 40%.
Sin embargo, los dispositivos OCT disponibles comercialmente podrían ser al menos tres veces más caros que las cámaras de fondo. Por lo tanto, se requieren más estudios para demostrar la viabilidad y la rentabilidad de implementar la OCT en la detección de EMD. Lo que es más importante, un problema común y crítico para usar FP o OCT para la detección de retinopatía es el requisito de los profesionales para revisar un gran número de imágenes.
El edema macular diabético, que puede desarrollarse en cualquier etapa de la retinopatía diabética, es la causa principal de pérdida de visión irreversible en personas con diabetes
Inteligencia artificial
La inteligencia artificial es un área importante de investigación en el análisis de imágenes médicas. Recientemente, el aprendizaje profundo ha estado haciendo avances notables en el campo de la retinopatía diabética para revolucionar la detección de EMD a partir de imágenes FP y OCT de una manera automatizada, conveniente y eficiente.
A pesar del excelente rendimiento de diagnóstico, quedan varias lagunas. En primer lugar, si la IA basada en FP puede obtener un rendimiento satisfactorio para la detección de EMD aún no se ha evaluado exhaustivamente. En segundo lugar, aunque la OCT se considera el estándar de oro para el diagnóstico de EMD, si la implementación de la inteligencia artificial basada en la OCT en la detección de retinopatía proporciona un rendimiento significativamente mejor requiere estudios de validación. En tercer lugar, los factores que determinan el rendimiento discriminatorio de la inteligencia artificial en la detección de EMD también requieren una mayor aclaración.
Se requieren más estudios para demostrar la viabilidad y la rentabilidad de implementar la tomografía de coherencia óptica en la detección del edema macular diabético
Conclusiones
Luego de investigar el rendimiento de la IA en la detección de la EMD utilizando imágenes FP o OCT, en general, los resultados indican un buen rendimiento discriminatorio para los modelos de IA basados en FP y OCT en términos de AUROC (área bajo la curva de la característica operativa del receptor), sensibilidad, especificidad y DOR agrupados. Los factores potenciales que pueden aumentar el rendimiento del modelo incluyen el tipo de IA, el tamaño de la muestra y la diversidad en el conjunto de datos de desarrollo.
- IA basada en FP. Entre los 25 estudios de IA basados en FP, el AUROC agrupado fue de 0,964, con sensibilidad y especificidad de >90%. Esto indica la posible aplicación de la IA basada en FP en entornos de atención primaria, teniendo en cuenta la asequibilidad y accesibilidad apreciables de FP. Puede servir como una herramienta ideal para ayudar a los proveedores de atención médica, especialmente en áreas con recursos limitados, a evitar una intensa aportación humana y de tiempo. Por ejemplo, como FP ya se ha utilizado para la detección de retinopatía, la IA se puede utilizar como una herramienta de primer paso y ayudar a la calificación posterior de los calificadores humanos en los programas de detección existentes. Esto beneficia a la población con diabetes y a la infraestructura de salud pública al mejorar el flujo de trabajo clínico y las derivaciones.
- IA basada en OCT. Los 28 estudios de IA basados en OCT que detectan el engrosamiento de la retina o las características de EDM produjeron un AUROC agrupación de 0,985, con una sensibilidad y especificidad >95%. Publicaciones anteriores atribuyeron la mejora del rendimiento a que OCT proporciona escaneos 3D de toda la estructura retiniana, que son más informativos para que los modelos de IA detecten ojos con EDM, especialmente entre los casos con un grosor de subcampo central <300 μm. El alto rendimiento discriminatorio obtenido por la IA basada en OCT demuestra su potencial para usar en entornos terciarios y hospitales oftalmológicos, especialmente en entornos con más recursos donde las máquinas OCT son asequibles, no solo para detectar la presencia de EDM, sino también para clasificar aún más la EDM involucrada en el centro (CI-EDM) y la no CI-EDM. Esto es de valor clínico, ya que los ojos con CI-DME requieren una intervención urgente, como la inyección de factor de crecimiento endotelial antivascular, mientras que para los ojos con NO CI-DME, la observación inicial es una opción aceptable.
La tomografía de coherencia óptica de dominio espectral es una modalidad de imagen no invasiva que proporciona exploraciones volumétricas 3D de las estructuras retinianas en capas
De este modo, se concluye que los algoritmos de IA muestran un rendimiento discriminatorio satisfactorio en la detección de la EDM a partir de imágenes FP o OCT. Los factores potenciales que pueden aumentar el rendimiento del modelo incluyen el tipo de IA, el tamaño de la muestra y la diversidad en el conjunto de datos de desarrollo. Aún existen lagunas significativas en la validación externa entre los estudios actuales para evaluar la generalización de los modelos para la traducción clínica.
Más adelante, otros estudios podrán evaluar el potencial y el valor añadido del análisis volumétrico OCT mediante modelos de IA, estimar el tamaño óptimo de la muestra y los efectos del equilibrio de clase y la demografía de los pacientes, y comparar la eficacia relativa de la IA en la detección de DME con la evaluación humana.
Fuente
Lam C, Wong YL, Tang Z, Hu X, et al. Performance of artificial intelligence in detecting diabetic macular edema from fundus photography and optical coherence tomography images. A systematic review and meta-analysis. Diabetes Care 2024;47(2):304-319.
