Inteligencia artificial para detectar la retinopatía diabética.
En abril de 2018, la FDA otorgó a IDx la aprobación para comercializar el primer dispositivo médico que utiliza inteligencia artificial para detectar la retinopatía diabética (RD) de forma automatizada con una retinografía en color del fondo de ojo.
Dirigido a los médicos de atención primaria, el software basado en la nube, IDx-DR, analiza imágenes obtenidas con el retinógrafo Topcon NW400 y recomienda la derivación a oftalmólogo si la imagen cumple con los criterios de retinopatía diabética mayor que leve. IDx-DR recibió la designación de ‘Dispositivo Innovador‘ por parte de la FDA y es el primer dispositivo autorizado para su comercialización que ofrece una toma de decisión sin la opinión de un clínico.
Una tecnología apasionante (y que a veces provoca ansiedad), la Inteligencia Artificial en sus diversas formas se está integrando rápidamente en el marco de la sociedad moderna. En medicina, la combinación de un volumen creciente de datos clínicos electrónicos y un rápido aumento en el poder de la computación está permitiendo el desarrollo de algoritmos que pueden augurar cambiar la práctica de la medicina clínica.
La oftalmología, y en particular el campo de la retina, está particularmente preparada para la aplicación de la Inteligencia Artificial debido a su gran dependencia de las imágenes, un papel creciente de la telemedicina y una escasez general de especialistas disponibles para manejar una población de pacientes en crecimiento y envejecimiento.
Por ejemplo, se estima que al 50% de las personas con diabetes no se les hace exámenes oculares anuales. Se sugiere que la exacta identificación de la enfermedad garantizada por derivación mediante sistemas automáticos de análisis de imágenes retinianas puede mejorar de manera eficiente la capacidad de los pacientes para acceder a la atención adecuada.
Inteligencia artificial
Términos como aprendizaje automático, inteligencia artificial y aprendizaje profundo se están arraigando en el vocabulario popular. En general, la inteligencia artificial se define como la capacidad de los sistemas informáticos para realizar tareas complejas e independientes que requieren inteligencia humana, como el procesamiento visual, el reconocimiento del habla o la toma de decisiones. El aprendizaje automático se emplea cuando los programas informáticos tienen la capacidad de mejorar su propia toma de decisiones al «aprender» de los datos que se les proporcionan sin las reglas explícitas que se les proporcionan. El aprendizaje profundo, un modelo de aprendizaje automático cada vez más popular y poderoso, utiliza capas sobre capas de ‘redes neuronales’ para mejorar la capacidad del software para realizar de forma independiente la extracción y transformación de los datos.
Aprendizaje profundo
La arquitectura del software de aprendizaje profundo se basa más o menos en el cerebro humano. El primer paso consiste en proporcionar los datos de entrenamiento del algoritmo, como puede ser una gran colección de imágenes etiquetadas previamente como Diabetes Retinopathy Severity Scale (DRSS).
Cada nodo, o neurona, realiza una operación matemática, como la identificación de un cierto patrón de píxeles, en los datos de entrada. Las neuronas en paralelo, una red neuronal convolucional (CNN), luego liberan su resultado a otra red neuronal que después realiza un conjunto similar de cálculos. Finalmente, toda la red suministra un resultado, y la clasificación de la imagen se compara con la entrada original.
El cálculo de cada nodo tiene un determinado peso, y el software ajusta continuamente los pesos hasta que se minimice el error de clasificación (entrenamiento). En lugar de escribir código para identificar microaneurismas, por ejemplo, el algoritmo desarrolla un conjunto de reglas «ocultas» para aprender a categorizar imágenes por sí mismo. Esta es una de las aplicaciones más intrigantes del aprendizaje profundo. Las reglas de la ‘caja negra’ actualmente están ocultas a los desarrolladores, y si se utilizaran correctamente tal vez podrían proporcionar nuevos conocimientos sobre nuestros propios datos.
IDx-DR
La aprobación del IDx-DR se basó en un estudio clínico que evaluó el rendimiento del software en retinografías de 900 pacientes con diabetes en 10 centros de atención primaria. El IDx-DR pudo identificar correctamente la presencia de retinopatía diabética (RD) mayor que leve en el 87,4% de los casos y fue capaz de identificar correctamente a aquellos pacientes que no la tenían el 89.5% de las veces. Usando una puntuación ETDRS derivada del centro de lectura de más de 43 de estereofotografías de los mismos pacientes como punto de referencia, la sensibilidad y especificidad del IDx-DR para detectar unaretinopatía diabética (RD) mayor que leve fue del 87% y 90%, respectivamente. La compañía informa que el sistema es fácil de usar: los operadores inexpertos que recibieron un programa de capacitación de cuatro horas estandarizado una sóla vez pudieron obtener una imagen de los pacientes y transferir información a la plataforma el 96% de las veces.
Un espacio creciente
IDx LLC es uno de los varios actores en un espacio de rápido crecimiento. Otros sistemas automatizados de análisis de retinografías incluyen a iGradingM (Medalytix Group Ltd, Manchester, Reino Unido), Retmarker (Retmarker SA, Taveiro, Portugal) y EyeArt (Eyenuk, Woodland Hills, California). En los últimos años, una variedad de publicaciones han informado acerca de la implementación de aprendizaje profundo sobre retinografías y OCT obtenidas de pacientes con retinopatía diabética y degeneración macular relacionada con la edad. Dado que las propias plataformas utilizan diferentes software patentados y cursos de capacitación, la comparación directa es difícil y la exactitud de los informes estadísticos varían de un estudio a otro.
Rompiendo la caja negra
El uso de conjuntos de datos disponibles públicamente como Kaggle EyePACS o Messider-2 puede permitir una comparación más directa de precisión y fiabilidad. Algunas plataformas tienen la capacidad de «resaltar» regiones de interés en una imagen que el algoritmo considera digno de mención, mejorando su transparencia. En última instancia, se requerirá una observación atenta de una aplicación en el mundo real de las plataformas.
El potencial de la inteligencia artificial en las imágenes retinianas es inmenso, incluida la identificación de nuevos biomarcadores de imágenes y la orientación de las decisiones de tratamiento. La mejor forma de utilizar esta tecnología será una consideración importante para el futuro de los cuidados de la retina.
Autores: Nitish Mehta, MD Ophthalmology Resident New York University; Ehsan Rahimy, MD Surgical and Medical Vitreoretinal Specialist Palo Alto Medical Foundation.
Traducción: Asociación Mácula Retina
