Algoritmo de autoaprendizaje identifica enfermedades vasculares tempranas escaneando fotografías en color de alta resolución del ojo

Usando un software de autoaprendizaje, los investigadores de la Universidad de Bonn (Bonn, Alemania) pudieron identificar cambios vasculares en pacientes con enfermedad arterial periférica (EAP), a menudo en una etapa temprana. Aunque estas primeras etapas aún no causan síntomas, ya están asociadas con una mayor mortalidad. El algoritmo usó fotos de un órgano que normalmente no se asocia con la EAP: el ojo.

El fondo del ojo está muy bien abastecido de sangre, por lo que los más de 100 millones de fotorreceptores de la retina y las células nerviosas conectadas a ellos pueden hacer su trabajo. Al mismo tiempo, las arterias y venas se pueden observar y fotografiar a través de la pupila sin mucho esfuerzo. Puede ser posible detectar signos tempranos de aterosclerosis (endurecimiento de las arterias) con dicho examen en el futuro. En este caso, los procesos de remodelación crónicos conducen al estrechamiento de los vasos y al endurecimiento de las arterias afectadas. Es la principal causa de infartos y accidentes cerebrovasculares, las causas más frecuentes de muerte en los países industrializados occidentales, así como la EAP. El diagnóstico precoz es muy importante para poder tratar a tiempo a los afectados.

Los investigadores fotografiaron 97 ojos de mujeres y hombres que padecían EAP. Además, el equipo tomó imágenes de la cámara del fondo de 34 ojos de sujetos de control sanos. El equipo usó las imágenes para alimentar una red neuronal convolucional (CNN). Este es un software que está modelado en el cerebro humano en la forma en que funciona. Si una CNN de este tipo se entrena con fotos cuyo contenido es conocido por la computadora, más tarde puede reconocer el contenido de las fotos desconocidas. Sin embargo, para que esto funcione con suficiente certeza, normalmente se necesitan varias decenas de miles de fotos de entrenamiento, muchas más de las que estaban disponibles en el estudio.

"Por lo tanto, primero llevamos a cabo un entrenamiento previo con otra enfermedad que ataca los vasos del ojo", explicó el Prof. Dr. Thomas Schultz del Centro Internacional de Tecnología de la Información de Bonn-Aachen (b-it) y el Instituto de Ciencias de la Computación II en la Universidad de Bonn. Para ello, los investigadores utilizaron un conjunto de datos de más de 80.000 fotos adicionales. "En cierto sentido, el algoritmo aprende de ellos a qué prestar especial atención", dice Schultz, quien también es miembro de las Áreas de Investigación Transdisciplinaria "Modelado" y "Vida y Salud" de la Universidad de Bonn. "Por lo tanto, también hablamos de transferencia de aprendizaje".

La CNN entrenada de esta manera pudo diagnosticar con notable precisión si las fotos de los ojos provenían de un paciente con EAP o de una persona sana.

"Un buen 80 % de todos los individuos afectados fueron identificados correctamente, si tomamos en cuenta el 20 % de falsos positivos, es decir, individuos sanos que el algoritmo clasificó incorrectamente como enfermos", explicó Schultz. "Es increíble, porque incluso los oftalmólogos capacitados no pueden detectar la EAP a partir de las imágenes del fondo de ojo".

En análisis posteriores, los investigadores pudieron demostrar que la red neuronal presta especial atención a los grandes vasos en la parte posterior del ojo durante su evaluación. Sin embargo, para obtener el mejor resultado posible, el método necesitaba imágenes digitales con una resolución suficientemente alta. Los investigadores esperan mejorar aún más el rendimiento de su método en el futuro. Para hacerlo, planean cooperar con los centros de oftalmología y medicina vascular de todo el mundo que les proporcionarán imágenes de fondo de ojo adicionales de las personas afectadas. El objetivo a largo plazo es desarrollar un método de diagnóstico sencillo, rápido y fiable que no requiera procedimientos concomitantes como la administración de colirios.

Related Links:
Universidad de Bonn