Se han utilizado algoritmos de aprendizaje profundo para detectar la retinopatía diabética (DR) con precisión a nivel de especialista. Este estudio tiene como objetivo validar un algoritmo de este tipo en una población clínica a gran escala y comparar el rendimiento del algoritmo con el de los graduadores humanos. Se analizaron un total de 25,326 imágenes retinables de pacientes con diabetes del programa de detección de DR de Tailandia, basado en la comunidad, para determinar la gravedad de la DR y el edema macular diabético remitible (DME). Las calificaciones adjudicadas por un panel de especialistas internacionales en retina sirvieron como el estándar de referencia. En relación con los graduadores humanos, para detectar DR referable (NPDR moderado o peor), el algoritmo de aprendizaje profundo tuvo una sensibilidad significativamente mayor (0.97 vs. 0.74, p <0.001), y una especificidad ligeramente más baja (0.96 vs. 0.98, p <0,001). También se observó una mayor sensibilidad del algoritmo para cada una de las categorías de NPDR, PDR y DME graves o peores ( p <0,001 para todas las comparaciones). El kappa de ponderación cuadrática para la determinación de los niveles de gravedad de DR por el algoritmo y los graduadores humanos fue de 0.85 y 0.78 respectivamente ( p <0.001 para la diferencia). A través de diferentes niveles de DR para determinar la enfermedad remitible, el aprendizaje profundo redujo significativamente la tasa de falsos negativos (en un 23%) a costa de tasas de falsos positivos ligeramente más altas (2%). Los algoritmos de aprendizaje profundo pueden servir como una herramienta valiosa para la detección de DR.
Introducción
El aprendizaje profundo (DL) es un campo de inteligencia artificial que se ha aplicado para desarrollar algoritmos para la detección de retinopatía diabética (RD) con alta sensibilidad (> 90%) y especificidad para la enfermedad referable (retinopatía diabética no proliferativa moderada (NPDR) o peor). Además de la alta precisión de detección, la DL también tiene ventajas en términos de consumo de recursos, consistencia y escalabilidad, y tiene el potencial de ser implementada como una alternativa a los graduadores humanos para clasificar o clasificar fotografías retinianas en programas de detección de DR .