Detección de patrones morfológicos de DME mediante el aprendizaje profundo basado en OCT

A través de imágenes de tomografía de coherencia óptica se generó un modelo de aprendizaje profundo para detectar patrones morfológicos de edema macular diabético.

Los investigadores desarrollaron un modelo de aprendizaje profundo para detectar patrones morfológicos de edema macular diabético a partir de imágenes de tomografía de coherencia óptica.

En el conjunto de entrenamiento, se extrajeron 12,365 imágenes OCT de un conjunto de datos públicos y un centro oftálmico. Un total de 656 imágenes de OCT fueron extraídas de otro centro oftálmico para la validación externa. La presencia o ausencia de tres patrones OCT de DME, incluido el engrosamiento retiniano difuso (DRT), el edema macular cistoide (CME) y el desprendimiento de retina seroso (SRD), se marcaron con un uno o un cero, respectivamente. Se entrenó un modelo de aprendizaje profundo para detectar tres patrones OCT de DME. Se aplicó una prueba de oclusión para la visualización del modelo de aprendizaje profundo.

  • La aplicación de un método de validación cruzada de cinco veces en la validación interna:

El área bajo la curva característica de funcionamiento del receptor para la detección de tres patrones OCT (es decir, DRT, CME y SRD) fue: 0,971, 0,974 y 0,994, respectivamente; o la precisión fue del 93 por ciento, 95,1 por ciento y 98,8 por ciento, respectivamente; y la sensibilidad fue del 93,5 por ciento, 94,5 por ciento y 96,7 por ciento, respectivamente; y
la especificidad fue del 92,3 por ciento, 95,6 por ciento y 99,3 por ciento, respectivamente.

  • En la validación externa:

o el área bajo la curva fue 0,970, 0,997 y 0,997, respectivamente; o la precisión fue del 90,2 por ciento, 95,4 por ciento y 95,9 por ciento, respectivamente; o la sensibilidad fue del 80,1 por ciento, 93,4 por ciento y 94,9 por ciento, respectivamente; o la especificidad fue del 97,6 por ciento, 97,2 por ciento y 96,5 por ciento, respectivamente.

• La prueba de oclusión mostró que el modelo de aprendizaje profundo podía identificar con éxito las regiones patológicas más críticas para la detección.

Los investigadores escribieron que su modelo de aprendizaje profundo demostró una alta precisión y la transparencia en la detección de patrones OCT de DME. Dicen que los resultados enfatizaron el potencial de la inteligencia artificial para ayudar en los procesos de toma de decisiones clínicas para los pacientes con DME.

Fuente: Wu Q, Zhang B, Hu Y, et al. Detection of morphologic patterns of diabetic macular edema using a deep learning approach based on optical coherence tomography images. Retina 2020; Oct 1.

Login

Welcome! Login in to your account

Remember meLost your password?

Lost Password