Por el buen camino: El uso de la Inteligencia Artificial (IA) para mapear y rastrear los cambios en la retina podría revolucionar el diagnóstico y el tratamiento de la DMAE seca avanzada (Atrofia Geográfica)


La degeneración macular asociada a la edad (DMAE) es un gran problema para los profesionales de la visión, que no dejará de crecer con el tiempo. La DMAE húmeda representa una gran proporción de la actividad hospitalaria ambulatoria y es un área de gran interés para la oftalmología, tanto desde el punto de vista clínico como académico. Pero la DMAE no tiene sólo una forma que comprometa la visión, y la DMAE seca, con su fase avanzada de atrofia geográfica (AG), sigue sin tener un tratamiento eficaz. Los pacientes quedan en una situación desesperada y los oftalmólogos sólo pueden controlar la progresión gradual del deterioro visual. Ahora nos encontramos en una época de intensa actividad académica para buscar tratamientos para la atrofia geográfica (AG) y varias moléculas parecen ser muy prometedoras, algunas de ellas ya en ensayos clínicos finales. Además de la falta de tratamientos disponibles, también existe el reto de detectar la atrofia geográfica (AG) en sus primeras fases, y la cuantificación de la progresión de la enfermedad es especialmente difícil.

Esta enorme necesidad insatisfecha me inspiró a estudiar esta enfermedad con mayor profundidad, incluyendo la gestión de la misma y su efecto sobre las cargas de los servicios de salud del Reino Unido, que ya están sobrecargados. ¿Sabía que la oftalmología representa el 10% de toda la actividad ambulatoria del NHS, más que cualquier otra especialidad médica?

Nuestro equipo de investigación está estudiando cómo la automatización a través de la Inteligencia Artificial (IA) podría ayudar a aliviar la carga de los pacientes, los médicos y el sistema sanitario. En concreto, hemos desarrollado un algoritmo de aprendizaje profundo para la detección y cuantificación de la atrofia geográfica (AG) que realiza una evaluación especializada de forma totalmente automatizada (1). Utilizando imágenes de OCT, el algoritmo rastrea la progresión de la enfermedad en tan solo dos segundos y aporta consistencia y repetibilidad en una evaluación que sufre una gran variabilidad entre distintos observadores, incluso entre expertos. Cuantificar con precisión la progresión de la atrofia geográfica (AG) significa que los pacientes podrán estar mejor clasificados antes para maximizar la ventana de oportunidad de las terapias. Y también podría conducir a una mejor selección de pacientes para los ensayos clínicos. Uno de los principales retos para los departamentos oftalmológicos que almacenan grandes bases de datos de OCT es identificar rápidamente a los pacientes que son aptos para un ensayo clínico, por lo que suelen recurrir a los métodos tradicionales de selección manual de los registros clínicos y de imágenes, que requieren mucho trabajo. Imagínese lo valioso que podría ser aplicar un modelo de IA a toda una base de datos de OCT en el entorno de un hospital local, identificando los casos de atrofia geográfica (AG) y seleccionando después los pacientes cuyo estadio de progresión es más adecuado para un ensayo clínico concreto.

¿Por qué DMAE? Las cifras lo dicen todo…

La DMAE es la principal causa de pérdida de visión en el mundo desarrollado, y se calcula que sólo en el Reino Unido hay 1,9 millones de personas con problemas de visión o ceguera. Se prevé que esta cifra aumente a 4 millones para el año 2050, como consecuencia del envejecimiento de la población, las enfermedades degenerativas y los factores relacionados con el estilo de vida. Entre 2008 y 2013, la prevalencia de la DMAE en el Reino Unido aumentó un 40%, un incremento extraordinario.

DMAE seca frente a la Inteligencia Artificial (IA)

En la DMAE húmeda, suele producirse un episodio de sangrado o inflamación en la parte posterior del ojo, que provoca un cambio significativo y notable en la visión. En la mayoría de los casos, esto causará alarma y hará que los pacientes busquen asistencia médica inmediata y tratamiento para prevenir o revertir la progresión. La atrofia geográfica (AG), por el contrario, progresa lentamente con el paso del tiempo, provocando zonas de desgaste en la parte posterior del ojo que crecen a un ritmo imprevisible, en cierto modo avanzando sigilosamente ante el paciente. Los pacientes tienden a no buscar el consejo de un experto a tiempo, ya que a menudo no se dan cuenta de que se ha desarrollado un problema en su ojo hasta que ya se ha producido un gran daño. En consecuencia, es evidente la necesidad de mejorar el cribado y el seguimiento de la DMAE seca y la atrofia geográfica (AG), así como el control objetivo de la progresión de las zonas de la retina afectadas, una tarea muy difícil.

El equipo de diagnóstico por imagen preferido para ambos tipos de DMAE y muchas otras patologías de la retina es la OCT. El seguimiento de la progresión de la lesión de la AG a lo largo del tiempo con exploraciones de OCT en 3D requiere la definición y segmentación manual de exploraciones complejas que a menudo constan de más de 100 imágenes individuales. El procesamiento manual de todas las imágenes sería poco realista en la práctica clínica diaria. Por lo tanto, sería inviable supervisar de forma coherente y precisa el comportamiento de la enfermedad y evaluar la eficacia de cualquier tratamiento potencial. Por lo tanto, este procedimiento es un candidato ideal para la automatización.

Nuestro método automatizado utiliza Deep Learning (una forma de IA) para cuantificar rápidamente la atrofia de la retina a lo largo de las sucesivas visitas del paciente, ofreciendo una representación precisa del estadio y la extensión de la DMAE seca atrófica y ayudando al oftalmólogo a decidir si es necesario un tratamiento y, en caso afirmativo, cómo está respondiendo el paciente al mismo. Cuando las decisiones se basen en una cuantificación estandarizada, fiable y repetible del área de atrofia, se espera que se consigan mejores resultados clínicos de los tratamientos nuevos. Y para los pacientes, también significa visitas más cortas y menos tiempo en las abarrotadas salas de espera de los hospitales. Cuando estábamos desarrollando este sistema de IA, el tiempo medio que necesitaba un evaluador humano experto para segmentar una lesión de atrofia geográfica en la OCT era de 43 minutos; nuestro modelo de aprendizaje profundo puede realizar la misma tarea en 2,04 segundos, de media.

En el campus de London City Road del Moorfields Eye Hospital, administramos más de 100 inyecciones intravítreas para el tratamiento de la DMAE húmeda cada día. Aunque las decisiones sobre el tratamiento de la DMAE húmeda se guían principalmente por las exploraciones con OCT, éstas se evalúan sobre todo de forma cualitativa. Con sólo mirar el escáner, podemos decir si la enfermedad está empeorando, mejorando o es estable. En la AG, la situación es muy diferente. La progresión de la enfermedad es demasiado sutil y los cambios son demasiado lentos para que los expertos humanos puedan hacer un seguimiento visual con el nivel de precisión necesario para discernir la progresión a corto plazo. Hipotéticamente, si se dispusiera de un tratamiento para la atrofia geográfica (AG) y se duplicara la población de pacientes que requieren inyecciones intravítreas, la necesidad de un sistema de seguimiento automatizado, rápido y preciso sería imperiosa. Esto no sólo ayudaría a los médicos y a los pacientes a tomar conjuntamente la decisión de si el tratamiento está justificado, sino también cuándo y con qué frecuencia debe administrarse.

Funcionamiento del algoritmo

Para explicar cómo funciona el algoritmo, debemos volver a los fundamentos del Deep Learning. Los algoritmos se exponen a un gran número de ejemplos -en este caso, imágenes de OCT de la retina- y empiezan a reconocer patrones. A continuación, son capaces de reconocer patrones similares en imágenes que no han visto antes. Mi equipo utilizó datos de un ensayo clínico de fase II, el estudio FILLY, que evaluó la eficacia de una nueva terapia para la atrofia geográfica (AG). Calificamos manualmente múltiples imágenes de escaneos OCT de volumen – obteniendo aproximadamente 6.000 imágenes individuales clasificadas manualmente – y las utilizamos para entrenar el modelo de Deep Learning para la detección y seguimiento de la atrofia de la retina. A continuación, el algoritmo se expuso a una rigurosa fase de prueba aplicándolo a un conjunto de datos claramente diferente que no había sido visto previamente por el algoritmo. En nuestro caso, el rendimiento del algoritmo -expresado por una métrica estadística llamada puntuación de similitud de los dados- fue de 0,96, lo cual es extremadamente alto.

Es relativamente fácil que un modelo de IA funcione bien cuando se expone a datos de pacientes con rasgos similares a aquellos con los que fue entrenado. La verdadera prueba es cuando se expone a un conjunto de datos de un entorno sanitario completamente distinto. Y por eso es importante señalar que nuestro algoritmo OCT se probó con un conjunto de datos de una población de pacientes completamente distinta, separada geográfica y temporalmente de la población utilizada para el entrenamiento. (El estudio FILLY contaba con pacientes de Estados Unidos, Australia y Nueva Zelanda, mientras que nuestro conjunto de datos de validación externa procedía de pacientes del Moorfields Eye Hospital).

Pero aún quedan retos por delante. Un modelo de IA por sí solo es una pieza de código sofisticada que no tiene ninguna utilidad clínica por sí sola. La implementación de la IA requiere un mayor desarrollo de la infraestructura y, en particular, una interfaz de usuario que permita a los médicos importar escaneos de OCT, lo que permitirá visualizar el resultado de la IA a los médicos e investigadores en un formato sencillo y comprensible. El despliegue en la nube y la seguridad de la información son otras áreas prioritarias a tener en cuenta. Antes de la implantación clínica, la aprobación de la Agencia Reguladora de Medicamentos y Productos Sanitarios (MHRA) y, potencialmente, de otras autoridades reguladoras es un requisito previo esencial.

El sistema también podría aplicarse a otras áreas de enfermedades oftálmicas. En esencia, hemos desarrollado cuatro modelos de aprendizaje profundo diferentes, uno para cada capa de la retina que es una característica propia de la AG. Como subproducto de esto, ahora podemos ajustar estos modelos para detectar cambios en capas individuales que tienen perfiles distintos de deterioro o degeneración, particularmente en enfermedades oculares hereditarias.

En el horizonte

Una pregunta muy habitual que se hace a los expertos en Inteligencia Artificial (IA) es: «¿Cuándo cree que lo tendremos en nuestro centro?» La gente solía ser conservadora a la hora de responder, pero, a medida que el sector se desarrolla, nos volvemos más optimistas. Ahora que podemos desarrollar esos modelos «en casa» utilizando nuestros propios recursos, soy más positivo sobre el futuro de los sistemas de apoyo a la decisión basados en la IA en la consulta. Puede que todavía sea cuestión de unos pocos años, pero ya no es un futuro lejano, al menos para esta aplicación clínica de los sistemas de apoyo a la toma de decisiones con IA en las enfermedades de la retina. También podemos prever un futuro a más largo plazo con la IA procesando datos de alta dimensión, incluyendo imágenes multimodales, pero también datos clínicos, genética, proteómica y más. Con la creciente importancia de la Internet de los objetos, los datos de los dispositivos de monitorización a distancia acabarán integrándose y procesándose a través de sistemas de IA, con el objetivo general de informar sobre los planes de tratamiento personalizados más adecuados para las necesidades de cada paciente.

[1] G Zhang et al., “Clinically relevant deep learning for detection and quantification of geographic atrophy from optical coherence tomography: a model development and external validation study,” Lancet Digit Health, 3, e655 (2021). PMID: 34509423.

Autor: Konstantinos Balaskas

Traducción: Asociación Mácula Retina

Fuente