La emergente ola de inteligencia artificial para la retina

(Este artículo fue traducido, adaptado e impreso con autorización exclusiva del grupo de revistas de Review de Jobson Medical Information. Su reproducción está prohibida).

Dr. Grayson Armstrong, MD, MPH, Boston y Dr. Ehsan Rahimy, MD, Palo Alto, California.

Un vistazo a las posibles ventajas e inconvenientes de la inteligencia artificial.

La oftalmología ha sido durante mucho tiempo una de las primeras ciencias en adoptar tecnologías nuevas e innovadoras para la atención del paciente. El advenimiento de la tomografía de coherencia óptica en la década del 2000 para la evaluación de la retina, revolucionó rápidamente la práctica clínica diaria. En los últimos años, el uso de vectores virales para activar en vivo alteraciones genéticas para curar enfermedades genéticas, se hicieron disponibles en oftalmología, mucho antes que, en cualquier otro campo, con la aprobación por parte de la Administración de Drogas y Alimentos (FDA), de Luxturna (voretigene neparvovec-rzyl, Spark Terapéutica) en 2017. Más recientemente, las tecnologías de inteligencia artificial entraron en el campo de la oftalmología. En abril de 2018, la FDA aprobó el primer dispositivo de detección habilitado con inteligencia artificial (IA) completamente autónomo, para diagnosticar la enfermedad oftálmica, el IDX-DR.

La IA es un campo floreciente, y a medida que las capacidades de aprendizaje automático y la IA en oftalmología continúen expandiéndose, sin duda continuarán surgiendo nuevas tecnologías que aumentarán nuestras prácticas y permitirán conocimientos clínicos que nunca antes se pensó fueran posibles. En este artículo, vamos a echar un vistazo a los beneficios y limitaciones de esta tecnología. 

¿Qué es la inteligencia artificial?

La inteligencia artificial es una disciplina amplia bajo el auspicio de la informática, que tiene como objetivo permitir que los computadores realicen tareas generalmente realizadas por humanos.1 Los algoritmos de IA permiten que los computadores funcionen de manera inteligente e independiente. El aprendizaje automático es un subconjunto de la IA que utiliza algoritmos de computadora conocidos como redes neuronales, para permitir a los equipos aprender a partir de conjuntos de datos y, posteriormente, editar sus propios códigos, con el objetivo de hacer predicciones futuras sobre nuevos datos.2 La capacidad de los equipos para aprender imita las capacidades de la inteligencia humana, de ahí la utilización de los términos “inteligencia artificial” y “aprendizaje automático”. 

La oftalmología es excepcionalmente capaz de capitalizar la promesa de la IA. Los oftalmólogos generan grandes cantidades de datos durante la práctica clínica de rutina, como la agudeza visual, la presión intraocular y la relación copa / disco, junto con datos de imágenes auxiliares de cámaras de fondo de ojo, máquinas OCT y campos visuales. Los algoritmos de aprendizaje automático requieren de grandes cantidades de datos con el fin de aprender. Mientras que el aprendizaje automático y los algoritmos de IA se pueden aplicar a una gran variedad de fuentes de datos (es decir, texto escrito, audio, imágenes, video), uno de los casos de uso mejor establecido, es la detección precoz y el diagnóstico de la enfermedad mediante imágenes clínicas (por ejemplo, fotos del fondo de ojo) emparejadas con los datos clínicos. 

Hasta la fecha, los investigadores han utilizado algoritmos de aprendizaje automático para detectar y diagnosticar múltiples enfermedades oftálmicas como la retinopatía diabética, la degeneración macular relacionada con la edad, el edema macular, el glaucoma, el queratocono, la ectasia corneal post-LASIK, la retinopatía del prematuro y las cataratas. También ha demostrado ser útil para predecir el pronóstico de diversas enfermedades oftálmicas.

Inteligencia artificial comercialmente disponible

Como se mencionó anteriormente, IDx-DR (IDx, LLC, Coralville, Iowa, EE.UU.) fue el primer sistema de IA autónomo, capaz de la detección de la enfermedad independientemente de un médico. IDx-DR utiliza una cámara de fondo de ojo independiente equipada con algoritmo de aprendizaje automático para detectar la retinopatía diabética (RD) en pacientes diabéticos; está destinado a ser utilizado por los médicos de atención primaria, para identificar pacientes que requieren de una derivación a un oftalmólogo para un tratamiento adicional.3-6 Años de investigación por parte del Dr. Michael Abramoff, MD, PhD, y colegas de la Universidad de Iowa establecieron la eficacia clínica del aprendizaje automático para el uso de fotos de la retina con el fin de detectar la RD referible.4 Los estudios de la implementación de la tecnología en varios entornos de consultorios de atención primaria respaldaron los ensayos clínicos, lo cual condujo a la aprobación final por parte de la FDA. Es de destacar que el algoritmo IDx-DR solo le permite al proveedor de atención primaria saber si el paciente padece de RD lo suficientemente preocupante como para ser referido a un oftalmólogo, es calificada como RD referenciable, lo cual equivale a RD no proliferativa moderada o peor. No informa sobre la ausencia de retinopatía diabética o la presencia de RD leve que no requiere derivación.

Otra tecnología en el horizonte es un dispositivo OCT para usar en casa, de Notal Vision (Notal Vision Ltd, Tel Aviv, Israel), que utiliza un algoritmo de aprendizaje automático entrenado en pacientes con enfermedades retinianas exudativas como la retinopatía diabética y la degeneración macular (AMD).7 La máquina OCT está diseñada para ser utilizada por pacientes de alto riesgo, y puede detectar de forma autónoma cambios en la morfología de la retina con la acumulación de líquido nuevo. Si se detecta una actividad de la enfermedad tan agravada, se contacta directamente al oftalmólogo del paciente. Notal recibió una designación de “dispositivo innovador” de la FDA en 2018, y espera que el dispositivo esté disponible comercialmente para 2020.

Investigación de la enfermedad

de la retina

La IA en oftalmología se ha centrado principalmente en el campo de la retina. Esto tiene sentido, dado el gran número de imágenes capturadas por los especialistas en retina, la variedad de modalidades de imágenes capaces de evaluar la retina, y la gran carga y naturaleza amenazante de la visión de la enfermedad de la retina. Existen múltiples bases de datos de fotografías de fondo de ojo, y el uso clínico de OCT es frecuente, lo cual facilita la acumulación de estas imágenes para los investigadores de IA.

La detección y el diagnóstico de la retinopatía diabética es un enfoque importante dentro de la IA. La mayoría de los programas de detección de retinopatía diabética basados en IA se han centrado en identificar pacientes diabéticos con RD referencial.4-6,8-12 Como punto de referencia, un estudio de 2004 encontró que los oftalmólogos tienen una sensibilidad del 73% y una especificidad del 91% en su capacidad para detectar la retinopatía diabética en un examen de fondo de ojo con dilatación.13 En comparación, en 2016, Google publicó un estudio novedoso en JAMA que muestra que la RD referencial podría identificarse con una sensibilidad del 97.5% y una especificidad del 98.5% usando solo fotos de fondo de ojo.8 Un estudio más amplio que validó su algoritmo en una población de pacientes multiétnica más variada reportó sensibilidades y especificidades tan altas como del 91% y 92%. 

Vale la pena señalar que los algoritmos más robustos, más aplicables a las poblaciones del mundo real, pueden resultar del uso de conjuntos de datos con métricas más diversas, como poblaciones más heterogéneas y diversas modalidades de cámara de fondo de ojo. Estudios adicionales han mostrado ser prometedores en la estratificación entre varias etapas de la RD, como la RD no proliferativa leve, moderada o severa y la RD proliferativa.8,9,14 Finalmente, los investigadores informaron recientemente sobre la capacidad de detectar de manera confiable la presencia del edema macular diabético utilizando solo fotos de fondo de ojo a color.

La detección y el diagnóstico de la AMD también han sido el centro de atención de los investigadores de la IA. Mediante el uso de fotografías de fondo de ojo, OCT o una combinación de ambas, los investigadores han podido identificar pacientes normales, así como aquellos con evidencia de AMD, delinear áreas de líquido retiniano patológico y calificar la gravedad de la AMD presente7,16 -18. Las imágenes de autofluorescencia de fondo también se han utilizado para discernir automáticamente áreas de atrofia geográfica.

Quizás más interesante que la detección de la enfermedad, es la capacidad de aprendizaje de las máquinas para pronosticar sobre diversos resultados clínicos en pacientes con enfermedad de la retina. Con una precisión del 96%, una red neuronal pudo usar fotografías a color de fondo de ojo para predecir qué pacientes diabéticos necesitarían intervención láser o quirúrgica versus ninguna intervención.20 Un segundo algoritmo de IA podría usar imágenes de retina OCT para predecir la necesidad de una  inyección anti-VEGF en pacientes con AMD neovascular.21 Otro algoritmo de aprendizaje automático podría predecir qué ojos con AMD intermedia tenían más probabilidades de progresar a enfermedad avanzada (es decir, AMD neovascular o atrofia geográfica) en función de los hallazgos de OCT en combinación con factores demográficos y genéticos, con precisión relativamente alta.22 

Mientras que la predicción de la progresión de la enfermedad puede ser útil para el personal clínico, predecir el futuro de la agudeza visual en pacientes con enfermedad ocular, podría ser muy beneficioso tanto para el médico como para el paciente. En un estudio, utilizando las características basales de OCT y la información demográfica de pacientes con edema macular diabético, un algoritmo de IA podría predecir de manera confiable la agudeza visual en un rango de 6.4 letras al año y 6.81 letras a los dos años después de una inyección de ranibizumab.23 En la AMD, un algoritmo de IA separado que utiliza imágenes OCT y datos clínicos, podría predecir la AV de un paciente en un rango de 8,6 letras al año.24 

La IA más allá de la retina 

Aunque la mayoría de las investigaciones relacionadas con la IA se han centrado en el polo posterior, la patología del segmento anterior y el glaucoma también han experimentado avances.

Enfermedad del segmento anterior. Se han desarrollado sistemas automatizados de clasificación de cataratas que usan IA tanto para adultos como para niños, el último de los cuales incluso puede discernir qué cataratas pediátricas tienen más probabilidades de requerir intervención quirúrgica para preservar la visión.25,26

La enfermedad ectásica corneal también ha recibido la atención de los investigadores de IA, dada la relativa dificultad de detectar enfermedades como el queratocono precoz y la disponibilidad relativamente reciente de la reticulación corneal en los Estados Unidos, para ayudar a retrasar o detener la progresión de la ectasia, así como el potencial de estas condiciones para la morbilidad visual a largo plazo. Utilizando datos de Scheimpflug, imágenes OCT corneales o una combinación de los dos, múltiples algoritmos han demostrado una detección confiable de queratocono, con sensibilidades y especificidades de hasta el 100%.27-30 Otros han identificado de manera confiable a pacientes que corren el riesgo de desarrollar ectasia corneal después de cirugía LASIK, una aplicación de IA que beneficiará enormemente a los cirujanos refractivos.31

Por último, utilizando solo fotografías de la retina, un equipo de investigadores de aprendizaje automático liderado por Google mostró éxito al predecir el error de refracción esférico equivalente de un paciente con un error absoluto medio de 0,56 D.32 Este hallazgo junto a muchos otros enumerados anteriormente, destacan algunas de las formas en que la IA basada en computadoras aprovecha el poder y el potencial del aprendizaje automático para mejorar la toma de decisiones clínicas, lo cual puede aumentar las capacidades clínicas de los médicos.

Glaucoma. El glaucoma también ha recibido una atención considerable.33-36 Dadas las múltiples fuentes de datos utilizadas por los médicos para evaluar el glaucoma, el aprendizaje automático es una herramienta ideal para asimilar las diversas modalidades de pruebas disponibles para que los médicos puedan detectar y diagnosticar el glaucoma, tales como los campos visuales, la OCT de la capa de fibra nerviosa retiniana y lecturas de presión intraocular. Sin embargo, los algoritmos que requieren muchos menos datos también han demostrado utilidad en la detección precisa del glaucoma. La OCT de campo amplio de la retina que abarca el nervio óptico, así como la fotografía de fondo de ojo, han demostrado su utilidad en la detección del glaucoma y pueden simplificar el cribado, si los usuarios pueden hacer un diagnóstico utilizando la simplicidad de las pruebas de una sola imagen.35,36

La futura promesa de la IA

La IA respalda la toma de decisiones clínicas de los oftalmólogos al apoyar los esfuerzos de detección, diagnóstico y predicción de enfermedades y sus pronósticos. No es difícil imaginar un futuro en el cual la plétora de datos recopilados a partir de la historia clínica se combina con nuevos datos generados durante una visita clínica, con el resultado de un informe de IA que ayuda en la toma de decisiones clínicas. Si las computadoras son capaces de procesar el gran volumen de datos clínicos de cada paciente, el médico puede pasar más tiempo teniendo en cuenta el plan de diagnóstico y tratamiento y menos tiempo con el análisis de datos. Mejor información al alcance de los oftalmólogos para progresar en los resultados de los pacientes y agilizar la práctica clínica. 

El aprendizaje automático también puede ser capaz de detectar la presencia o el riesgo de desarrollar enfermedades oftálmicas y sistémicas mediante imágenes oculares. Las imágenes oftálmicas son únicas porque permiten a los médicos evaluar directamente los vasos sanguíneos, el tejido neural y el tejido conectivo en pacientes vivos, con alta calidad de imagen y sin la necesidad de muestras quirúrgicas patológicas. Las imágenes oculares han demostrado ya su utilidad en la realización de evaluaciones médicas, más allá de la enfermedad ocular específica y han proporcionado una visión de la salud general de los pacientes. Por ejemplo, los investigadores han informado sobre la capacidad de predecir la edad, el sexo, el tabaquismo y la presión arterial sistólica del paciente basándose únicamente en las fotos del fondo del ojo.37 

La IA también puede mejorar el acceso de los pacientes al cuidado de los ojos, ya que las iniciativas de detección a distancia y tele-oftálmica podrían combinarse con tecnologías compatibles con IA para ayudar a diagnosticar y tratar enfermedades oculares, evitando así la pérdida de visión. Las tecnologías de IA, una vez desarrolladas, requieren de menos recursos para operar que los programas de detección laboriosos, intensivos en tiempo y costosos, dirigidos por humanos.  Además, los sistemas basados en IA pueden obtener ahorros de costos en comparación con las visitas clínicas en persona y la clasificación manual de imágenes.38

Limitaciones

Si bien existe una promesa considerable por parte de la IA, no está exenta de riesgos potenciales. 

Primero, existe el riesgo de descualificación de la fuerza laboral con la implementación de tecnologías de inteligencia artificial. Por ejemplo, si los médicos reciben ayuda hasta el punto de no necesitar diagnosticar la enfermedad por sí mismos, entonces pueden volverse dependientes de la tecnología y pueden perder o disminuir sus capacidades de diagnóstico. 

En segundo lugar, a pesar de la impresionante precisión diagnóstica de los programas de IA, algunos algoritmos resultan en tasas relativamente altas de detección de falsos negativos, lo cual significa que los algoritmos clasifican incorrectamente los ojos como libres de enfermedades o que no requieren de evaluación adicional. Los falsos negativos de esta índole podrían ser clínicamente desastrosos para la visión de los pacientes, poniendo en relieve la necesidad de una mejora continua en la tecnología de IA y la interpretación adecuada de los resultados del algoritmo de IA. 

Además, ganar la confianza del paciente en el uso de la detección y el diagnóstico automatizados de IA probablemente sea un obstáculo. Los estudios muestran que muchos pacientes están dispuestos a adoptar el aprendizaje automático en medicina, pero que todavía hay pacientes que no confían en el diagnóstico asistido por computadora y prefieren las visitas oftálmicas en persona.39 Por último, no siempre es obvio el cómo llegó un algoritmo informático a su conclusión clínica. La poca comprensión del “proceso de pensamiento” detrás de la IA, causa un problema de “caja negra”, por el cual los médicos deben confiar ciegamente en el sistema de IA, sin poder evaluar el valor de las métricas utilizadas por el programa informático. 

En conclusión, la inteligencia artificial y el aprendizaje automático en oftalmología están permitiendo la detección asistida por ordenador, el diagnóstico y el pronóstico de la enfermedad oftálmica. La oftalmología está especialmente preparada para capitalizar los beneficios del aprendizaje automático, dada la abundancia de datos clínicos y las imágenes multimodales generadas en el campo. Los algoritmos de aprendizaje automático se han utilizado en productos disponibles en el mercado y se han puesto en práctica en aplicaciones de investigación centradas en enfermedades del segmento anterior y posterior. Los avances en la IA específica de oftalmología pueden aumentar el acceso del paciente a la detección clínica y el diagnóstico, así como disminuir los costos de atención médica, especialmente cuando se aplica a poblaciones de alto riesgo, comunidades de bajos recursos o cuando se combina con iniciativas de telemedicina.  

Referencias

El Dr. Armstrong es jefe de residentes en oftalmología en la Universidad de Harvard Medical School (AY, 2019-2020) y director del Servicio de Trauma Ocular en el Massachusetts Eye and Ear Infirmary. El Dr. Rahimy es un especialista vitreorretiniano en la Fundación Médica de Palo Alto.

El Dr. Armstrong es miembro fundador de una compañía de dispositivos de oftalmología de telemedicina, OculAR Technologies (OculAR, Boston). El Dr. Rahimy es consultor de Google. 

Puede ponerse en contacto con el Dr. Armstrong en: 243 Charles St., Boston, MA 02114. Teléfono: (617) 523-7900; fax: (617) 573-4028; email: [email protected] 

Armstrong G, Lorch A. A(eye): A review of current applications of artificial intelligence and machine learning in ophthalmology. Int Ophthalmol Clin 2019. In press. 

Consejo A, Melcer T, Rozema J. Introduction to machine learning for ophthalmologists. Seminars in Ophthalmology 2019;34:1:19-41.

Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med 2018;1:1:39.

Abràmoff MD, Folk JC, Han DP, et al. Automated analysis of retinal images for detection of referable diabetic retinopathy. JAMA Ophthalmol 2013;131:3:351-357. 

van der Heijden AA, Abramoff MD, Verbraak F, van Hecke M V, Liem A, Nijpels G. Validation of automated screening for referable diabetic retinopathy with the IDx-DR device in the Hoorn Diabetes Care System. Acta Ophthalmol 2018;96:1:63-68. 

Abràmoff MD, Lou Y, Erginay A, et al. Improved automated detection of diabetic retinopathy on a publicly available dataset through integration of deep learning. Investig Ophthalmol Vis Sci 2016;57:13:5200-5206.

Chakravarthy U, Goldenberg D, Young G, et al. Automated identification of lesion activity in neovascular age-related macular degeneration. Ophthalmology 2016;123:8:1731-1736. 

Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA – J Am Med Assoc 2016;316:22:2402-2410. 

Ting DSW, Cheung CYL, Lim G, et al. Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes. JAMA 2017;318:22:2211-2223. 

Gargeya R, Leng T. Automated identification of diabetic retinopathy using deep learning. Ophthalmology 2017;124:7:962. 

Li Z, Keel S, Liu C, et al. An automated grading system for detection of vision-threatening referable diabetic retinopathy on the basis of color fundus photographs. Diabetes Care. 2018;41:12:2509-2516. 

Wilkinson CP, Ferris FL, Klein RE, et al. Proposed international clinical diabetic retinopathy and diabetic macular edema disease severity scales. Ophthalmology 2003;110:9:1677-1682.

Lawrence MG. The accuracy of digital-video retinal imaging to screen for diabetic retinopathy: An analysis of two digital-video retinal imaging systems using standard stereoscopic seven-field photography and dilated clinical examination as reference standards. Trans Am Ophthalmol Soc 2004;102:321-340. 

Ren F, Cao P, Zhao D, Wan C. Diabetic macular edema grading in retinal images using vector quantization and semi-supervised learning. Technol Heal Care 2018;26:S389-S397.

Arcadu F, Benmansour F, Maunz A, et al. Deep learning predicts OCT measures of diabetic macular thickening from color fundus photographs. Investig Ophthalmol Vis Sci 2019;60:4:852. 

Venhuizen FG, van Ginneken B, Van Asten F, et al. Automated staging of age-related macular degeneration using optical coherence tomography. Investig Ophthalmol Vis Sci 2017;58:4:2318-2328. 

Treder M, Lauermann JL, Eter N. Automated detection of exudative age-related macular degeneration in spectral domain optical coherence tomography using deep learning. Graefe’s Arch Clin Exp Ophthalmol 2018;256:2:259-265. 

Kermany DS, Goldbaum M, Cai W, et al. Identifying medical diagnoses and treatable diseases by image-based deep learning. Cell 2018;172:5:1122-1124.

Treder M, Lauermann JL, Eter N. Deep learning-based detection and classification of geographic atrophy using a deep convolutional neural network classifier. Graefe’s Arch Clin Exp Ophthalmol 2018:2053-2060.

Takahashi H, Tampo H, Arai Y, Inoue Y, Kawashima H. Applying artificial intelligence to disease staging: Deep learning for improved staging of diabetic retinopathy. PLoS One 2017;12:6:1. 

Prahs P, Radeck V, Mayer C, et al. OCT-based deep learning algorithm for the evaluation of treatment indication with anti-vascular endothelial growth factor medications. Graefe’s Arch Clin Exp Ophthalmol 2018;256:91-98.

Schmidt-Erfurth U, Waldstein SM, Klimscha S, et al. Prediction of individual disease conversion in early AMD using artificial intelligence. Invest Ophthalmol Vis Sci 2018;59:8:3199-3208. 

Chen S-C, Chiu H-W, Chen C-C, Woung L-C, Lo C-M. A novel machine learning algorithm to automatically predict visual outcomes in intravitreal ranibizumab-treated patients with diabetic macular edema. J Clin Med 2018;7:12:475. 

Schmidt-erfurth U, Bogunovic H, Sadeghipour A, et al. Machine learning to analyze the prognostic value of current imaging biomarkers in neovascular age-related macular degeneration. Ophthalmol Retin 2018;2:1:24-30. 

Cheung CY, Li H, Lamoureux EL, et al. Validity of a new computer-aided diagnosis imaging program to quantify nuclear cataract from slit-lamp photographs. 2018;52:3:1314-1319. 

Long E, Lin H, Liu Z, et al. An artificial intelligence platform for the multihospital collaborative management of congenital cataracts. Nat Biomed Eng 2017;1:2:1-8. 

Smadja D, Touboul D, Cohen A, et al. Detection of subclinical keratoconus using an automated decision tree classification. Am J Ophthalmol 2013;156:2:237-246.

Arbelaez MC, Versaci F, Vestri G, Barboni P. Use of a support vector machine for keratoconus and subclinical keratoconus detection by topographic and tomographic data. Ophthalmology 2012;119:11:2231-2238. 

Cheboli D, Ravindran B. Detection of keratoconus by semi-supervised learning. Workshop on Machine Learning for Health-Care Applications, Helsinki, Finland; 2008. 

Hwang ES, Perez-Straziota CE, Kim SW, Santhiago MR, Randleman JB. Distinguishing highly asymmetric keratoconus eyes using combined scheimpflug and spectral-domain OCT analysis. Ophthalmology 2018;125:12:1862-1871. 

Lopes BT, Ramos IC, Salomão MQ, et al. Enhanced tomographic assessment to detect corneal ectasia based on artificial intelligence. Am J Ophthalmol 2018;195:223-232. 

Varadarajan A V, Poplin R, Blumer K, et al. Deep learning for predicting refractive error from retinal fundus images. Invest Ophthalmol Vis Sci 2018. 

Haleem MS, Han L, van Hemert J, et al. A novel adaptive deformable model for automated optic disc and cup segmentation to aid glaucoma diagnosis. J Med Syst 2018;42:1:1-18. 

Kim SJ, Cho KJ, Oh S. Development of machine learning models for diagnosis of glaucoma. PLoS One 2017;12:5:1-16. 

Muhammad H, Fuchs TJ, De Cuir N, et al. Hybrid deep learning on single wide-field optical coherence tomography scans accurately classifies glaucoma suspects. J Glaucoma 2017;26:12:1086-1094. 

Li Z, He Y, Keel S, Meng W, Chang RT, He M. Efficacy of a deep learning system for detecting glaucomatous optic neuropathy based on color fundus photographs. Ophthalmology 2018;125:8:1199-1206. 

Poplin R, Varadarajan A V, Blumer K, et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat Biomed Eng 2018;2:3:158-164. 

Tufail A, Rudisill C, Egan C, et al. Automated diabetic retinopathy image assessment software: Diagnostic accuracy and cost-effectiveness compared with human graders. Ophthalmology 2017;124:3:343-351. 

Keel S, Lee PY, Scheetz J, et al. Feasibility and patient acceptability of a novel artificial intelligence-based screening model for diabetic retinopathy at endocrinology outpatient services: A pilot study. Sci Rep 2018;8:1:8-13. 


0 Comments

Leave a Comment

Login

Welcome! Login in to your account

Remember me Lost your password?

Lost Password