Resumen
Inteligencia artificial es un término general que significa cumplir una tarea principalmente con una computadora, con la menor participación de seres humanos, y es ampliamente aceptado como la invención de los robots. Con el desarrollo de esta nueva tecnología, la inteligencia artificial ha sido una de las revoluciones de tecnología de la información más influyentes. Se realizaron búsquedas en estos estudios en inglés relacionados con oftalmologia publicados en las bases de datos PubMed y Springer. La aplicación de inteligencia artificial en oftalmología se concentra principalmente en las enfermedades con alta incidencia, como retinopatía diabética, degeneración macular relacionada con la edad, glaucoma, retinopatía del prematuro, cataratas congénitas o relacionadas con la edad y pocas con oclusión venosa retiniana. Según los estudios anteriores,
Inteligencia artificial (IA) es un término general que significa realizar una tarea principalmente con una computadora, con un mínimo de seres humanos involucrados [1] . En otras palabras, el propósito de la IA es hacer que las computadoras imiten la forma en que pensamos y mejorar nuestra eficiencia en el trabajo en la vida moderna y rápida. Se ha convertido en una de las revoluciones de tecnología de la información más influyentes [2] . Se ha logrado un gran progreso en la investigación teórica y su aplicación hasta donde podemos ver. La IA es ampliamente aceptada como la aparición de muchos robots en diferentes campos, especialmente en bioinformática. En combinación con la medicina, algunas cirugías asistidas por robot se han realizado con éxito. Hace que el trabajo del médico sea más preciso y eficaz. Hoy en día, están surgiendo exámenes y diagnósticos médicos asistidos por IA basados en imágenes.[3] – [5] . Como todos escuchamos, el melanoma, un cáncer de piel podría diagnosticarse con un algoritmo de computadora basado en imágenes macro capturadas por una cámara común [6] . En el campo de la oftalmología, especialmente en las enfermedades causadas por personas ciegas, se atribuye principalmente a la identificación de imágenes médicas y al diagnóstico auxiliar.
La aplicación de esta tecnología de IA depende principalmente del aprendizaje automático [7] , que se representa mediante algoritmos matemáticos y modelos formados a través de mucha experiencia de entrada.
SUJETOS Y MÉTODOS
Se realizaron búsquedas en estos estudios en inglés relacionados con oftalmologia publicados en las bases de datos PubMed y Springer. Más tarde le dimos una clasificación y estadística. Su aplicación se concentra principalmente en enfermedades de alta incidencia, como retinopatía diabética (DR), degeneración macular relacionada con la edad (DMAE), glaucoma, retinopatía del prematuro (ROP), cataratas congénitas o relacionadas con la edad y pocas con oclusión venosa de la retina. (RVO).
Principio de Inteligencia Artificial
Los dispositivos de inteligencia artificial se dividen principalmente en dos categorías principales [8]: las técnicas de aprendizaje automático [9] y los métodos de procesamiento del lenguaje natural. Pero hasta ahora, la primera es la técnica auxiliar de detección y diagnóstico de la que solemos hablar [10] .
El aprendizaje automático proporciona técnicas o algoritmos que pueden construir automáticamente un modelo de relaciones complejas al procesar los datos de entrada disponibles y generalizar un estándar de rendimiento [7]. Y puede describirse brevemente como permitir que las computadoras hagan predicciones o juicios exitosos al aprender repetidamente los materiales representativos existentes. Para poder formar un modelo preciso, el aprendizaje automático a menudo requiere una gran cantidad de datos de entrenamiento. Y la mayoría de ellos deben ser etiquetados por adelantado por sus expertos con autoridad relativa. Además, algunos otros datos se utilizan para verificar el algoritmo establecido. Eso significa que los procesos incluyen principalmente dos partes, conjunto de entrenamiento y conjunto de validación. Por lo tanto, un paso importante es recopilar muchos ejemplos de capacitación representativos. Algunos expertos marcan las características distintivas y de fácil identificación, e ingresan la computadora para hacerla reconocer y recordar. Es crucial que la selección o extracción de características requiera mucha experiencia.
Existen principalmente dos modelos de aprendizaje profundo, que incluyen la red neuronal convolucional (CNN) y la red neuronal artificial de entrenamiento masivo (MTANN) [11] . Son herramientas poderosas para identificar y clasificar imágenes. Por lo que sabemos, CNN y MTANN tienen muchas capas. Las principales diferencias son que las operaciones convolucionales se realizan dentro de la red en CNN, mientras que en MTANN están fuera de la red. Después de un proceso iterativo, la última capa de convolución se conecta con el todo. Además, CNN necesita muchas más imágenes que esta última. CNN se ha utilizado con éxito en muchos campos, como clasificación de imágenes a gran escala [12] , etiquetado de escenas [13], etc.
RESULTADOS
Algunos estudios actuales basados en el aprendizaje automático han logrado un resultado preliminar satisfactorio. Por ejemplo, la identificación de imágenes de retinopatía diabética no proliferativa (NPDR), retinopatía diabética proliferativa (PDR) y AMD atrae la mayor parte de la atención. La sensibilidad diagnóstica para AMD varió de 75% a 100%. De manera similar, la sensibilidad de detección y precisión para PDR varió de 75% a 91.7% y para NPDR, varió de 75% a 94.7%. La tasa promedio de diagnóstico para estas enfermedades puede alcanzar el 91,3% [14] . También, Ting et al ‘s [15]El objetivo del estudio es desarrollar y evaluar el sistema de aprendizaje profundo para la DR, la DMRE y el glaucoma, basado en las imágenes del fondo de ojo de las poblaciones multiétnicas. En comparación con los graduadores profesionales, concluyen que su sistema puede lograr una sensibilidad y especificidad relativamente altas.
Retinopatía diabética e inteligencia artificial
La RD es la causa principal de ceguera en las personas en edad de trabajar [16] , que afecta principalmente a la microvasculatura retiniana, lo que lleva a un daño progresivo [17] . Con más y más personas afectadas, la RD se considera gradualmente como un problema de salud pública mundial [18] . Por lo tanto, la detección a gran escala de la DR se necesita con urgencia para detectar cambios potencialmente amenazadores en la etapa temprana que se beneficiarán para el tratamiento y la gestión. Como todos sabemos, la intervención temprana es la opción más rentable [19] .
La identificación automática de la RD ha atraído mucha atención, con estudios que realizan microaneurismas, hemorragias, exudaciones, manchas de algodón y detección de neovascularización, e incluso clasificaciones adicionales de las etapas. La mayoría de ellos utilizan las imágenes de fondo como entrada. El proceso puede ser representado en parte por la Figura 1 [14] . Las computadoras reciben muchas imágenes etiquetadas con lesiones de diagnóstico, extraen sus características y finalmente construyen un modelo. Y luego, puede identificar las nuevas imágenes de entrada y emitir un juicio. Wong et al [20] proponen un método basado en microaneurismas y hemorragias mediante una red neuronal de alimentación de tres capas para clasificar las etapas de RD. Imani et al [21]Forme una técnica para detectar la exudación y el vaso sanguíneo mediante el análisis del componente morfológico (MCA), y Pavle utilizó la CNN. Yazid et al [22]plantearon que identificaron la exudación dura y el disco óptico basándose en el umbral inverso de la superficie. Algunos informes dicen que utilizan una red neuronal de celosía con procesamiento dendrítico (LNNDP) o técnicas de mejora para detectar vasos sanguíneos en imágenes de la retina [23] – [24] . Akyol et al [25] detectan automáticamente el disco óptico de imágenes de fondo mediante el uso de técnicas de detección de puntos clave, análisis de textura y diccionario visual. Niemeijer et al [26]Detecte rápidamente el disco óptico mediante un método que combina k-vecino más cercano (kNN) y señales. Informan que la sensibilidad de la detección automática de DR oscila entre el 75% y el 94,7%, también la especificidad, la precisión es comparable y prometedora.
Además, habrá algunos estudios relacionados con datos multimodales para verificar una enfermedad con mayor precisión. Por ejemplo, la combinación de la tomografía de coherencia óptica macular (OCT) con la imagen del fondo identifica el edema macular, que es el signo del tratamiento oportuno. Después de todo, un estudio ha informado que un algoritmo puede detectar y cuantificar el líquido subretiniano o intrarretiniano basado en imágenes de OCT, que se describen como la Figura 2 [27] .
Ilustración de la detección automatizada de fluido macular en OCT.
El líquido cistoide intrarretiniano está marcado en verde, el líquido subretiniano está marcado en azul. DMAE: degeneración macular relacionada con la edad; DME: edema macular diabético; RVO: oclusión de la vena retiniana.
Además de la detección e identificación automática de DR, el estudio de la evaluación de los modelos de aprendizaje profundo para los grados de DR. Reportaron los errores de los modelos de aprendizaje profundo concentrados principalmente en la falta de microaneurismas y artefactos. Para la RD moderada o peor, la sensibilidad de los modelos de aprendizaje profundo es de alrededor del 97.1%, en comparación con el 83.3% de los oftalmólogos. Tal vez la calidad de las imágenes de entrada es responsable de las lesiones mínimas que faltan, piensan [28] .
Degeneración macular relacionada con la edad e inteligencia artificial
La DMAE es una enfermedad macular crónica e irreversible caracterizada por drusas, cambios en el pigmento retiniano, neovascularización coroidea, hemorragia, exudación e incluso atrofia geográfica [29] . Es una de las principales causas de pérdida de visión central en personas mayores de 50 años [30] . Con el envejecimiento de la población social y la gravedad de esta enfermedad, es necesario realizar exámenes de detección de AMD regularmente. El diagnóstico automático de AMD puede obviamente reducir la carga de trabajo de los clínicos y mejorar la eficiencia.
Muchos estudios han reportado sus resultados preliminares. La mayoría de ellos utilizan imágenes de fondo como material de entrada original y extraen características de AMD temprana, intermedia y tardía para distinguirlas de las imágenes saludables [31] . Pueden obtener una sensibilidad que va del 87% al 100%, también con una precisión relativamente alta [32] . Piensan que tomar una foto del fondo de ojo como insumo es más barato que el examen OCT. Pero también existen investigaciones sobre la OCT de dominio espectral combinada con un profundo aprendizaje sobre la DMAE, incluida la cantidad de fluido macular de la DMAE neovascular (NAMD) al igual que la Figura 2 y la segmentación de las capas retinianas de la DMAE seca como la Figura 3 [33] . Después de un entrenamiento de iteración, el entrenamiento y la precisión de validación son ambos del 100% [34]. Creen que otras enfermedades maculares obtendrán los mismos resultados efectivos.
Como todos sabemos, la inyección intravítrea de medicamentos anti-VEGF es la terapia de primera línea para la DMNAL [35] y la observación de seguimiento también es muy importante. Bogunovic et al [36] utilizan un algoritmo para observar a los pacientes que responden al tratamiento utilizando imágenes de OCT. Algunos investigadores combinan el aprendizaje automático con imágenes de OCT para observar y predecir la posibilidad de retratamiento [37] . El modelo que construyeron logra un rendimiento comparable para predecir el rendimiento bajo y casi un 50% mejor en la predicción de los altos requisitos de retratamiento.
Oclusión de la vena retiniana e inteligencia artificial
RVO tiene una prevalencia estimada que varía de 0,3% a 2,1% [38] – [40] en diferentes individuos, que es una de las enfermedades causadas por personas ciegas más comunes, después de RD [41] . Pensamos que la razón directa de la OVR puede ser que la arteria retiniana esclerótica comprime la vena retiniana y bloquea el retorno de la sangre de las arborizaciones terminales. Además, causa hemorragia superficial, exudación y edema retiniano. Si alguna lesión involucra macular, llevará a que la agudeza visual disminuya significativamente, o incluso a la ceguera. Sus factores de riesgo son principalmente las personas con vejez y esclerosis vascular [42] – [44] , como hipertensión, arteriosclerosis o enfermedad cardiovascular. Por lo tanto, el diagnóstico temprano de RVO es crucial para la recuperación de la visión.
El diagnóstico automático beneficiará tanto a los pacientes como a los oftalmólogos, si se usa ampliamente. En la actualidad, el aprendizaje automático en RVO es relativamente raro. Un equipo informó que utilizaron la CNN combinada con métodos de votación basados en parches y en imágenes para reconocer automáticamente la imagen del fondo de ojo de la oclusión de la vena retiniana de la rama. Recibieron una alta precisión superior al 97% [45] . Es alentador para las siguientes investigaciones.
Retinopatía de la prematuridad e inteligencia artificial
La ROP es una de las principales causas de ceguera infantil en todo el mundo [46] – [47] y se puede tratar en gran medida con un diagnóstico adecuado y oportuno. Los estudios clínicos han demostrado que la ROP con enfermedad positiva o retinopatía en la zona uno, etapa 3, incluso sin enfermedad positiva, requiere un tratamiento oportuno para prevenir la ceguera, y los lactantes con enfermedad previa a la enfermedad requieren una observación cercana [48] . La detección y el seguimiento repetidos de ROP consumirán mucha mano de obra y energía. Por lo tanto, la aplicación de la IA en la detección de ROP puede mejorar la eficiencia de la atención de ROP.
Muchos estudios han intentado la identificación automática de ROP. La mayoría de ellos se centraron en la clasificación de dos niveles (más o no más enfermedad) [49] – [52] . Lograron un resultado prometedor. Un informe dice que podrían distinguir la enfermedad positiva con una precisión del 95%, que es comparable al diagnóstico de los expertos, mucho más preciso que los no expertos [53] . Y Ataer-Cansizoglu et al ‘s [54] estudio tomó ventajas de las características de dilatación y tortuosidad de las arterias y las venas para distinguir no más o pre-más o enfermedad plus. Clasifican el ROP más específicamente y beneficioso para el tratamiento.
Enfermedades del segmento anterior e inteligencia artificial
Tal vez, la catarata y el glaucoma son enfermedades muy comunes en oftalmología [55] – [56] . No es sorprendente que haya algunos informes sobre la aplicación del aprendizaje automático en enfermedades del segmento anterior [57] – [61] . Las cataratas son una opacidad del cristalino y la principal causa de ceguera en todo el mundo [55] . El reconocimiento automático será rentable.
Gao et al [57] informaron que propusieron un sistema que calificara automáticamente la gravedad de las cataratas nucleares mediante imágenes de lámpara de hendidura. Primero, encuentran la región de interés de la lente y luego los filtros CNN seleccionan al azar parches de imagen que generan representaciones locales mediante un proceso de iteración con pesos aleatorios. Su sistema logró una similitud de más del 70% en comparación con la clasificación clínica. Otros, como la investigación de Liu et al [58] , se centran principalmente en la identificación de cataratas pediátricas. Logran una excepcional precisión y sensibilidad en la clasificación y densidad de lentes. Además, puede clasificar automáticamente una catarata por la OCT de la lente [59].
El glaucoma es una enfermedad que daña principalmente el nervio óptico y puede causar ceguera irreversible [56] , [60] . Si bien el glaucoma no se puede curar, el tratamiento puede ser más lento con un tratamiento razonable [61] . Por lo tanto, la detección temprana de glaucoma es muy necesaria. La detección de glaucoma depende principalmente de la presión intraocular, el grosor de la fibra nerviosa de la retina, el nervio óptico y el examen del campo visual [62] – [63] .
Omodaka et al [64] desarrollaron un algoritmo de aprendizaje automático para clasificar el disco óptico de glaucoma de ángulo abierto y alcanzaron una precisión de 87.8%. Su algoritmo se basa en los parámetros cuantitativos, principalmente del examen OCT del disco óptico. Muchos estudios han intentado aplicar el aprendizaje automático en la identificación del glaucoma. La máquina generalmente evalúa la relación del disco de copa [65] – [66] en las imágenes del fondo del ojo, el campo visual [67] o el grosor de la fibra nerviosa retiniana examinada por OCT [68] . La precisión del diagnóstico temprano varía de 63.7% a 93.1% dependiendo de las imágenes de entrada.
DISCUSIÓN
La detección y el diagnóstico automatizados asistidos por AI de las enfermedades comunes en oftalmología pueden eventualmente ayudar a maximizar el papel de los médicos en la clínica. Fuera de la clínica, las plataformas de IA ofrecen a los pacientes más oportunidades médicas y reducen los obstáculos para acceder a la atención ocular donde no hay un oftalmólogo disponible. Hasta cierto punto, las nuevas tecnologías basadas en la IA pueden reducir las desigualdades sociales [69]. Mirando más hacia el futuro, el sistema asistido por AI muestra el potencial para aliviar los problemas del sistema de salud sobrecargado.
En general, el proceso de detección automática de una enfermedad incluye principalmente tres pasos [11] , [70] . En primer lugar, es necesario recopilar una gran cantidad de imágenes, y los expertos relativos tienen que etiquetar las lesiones características. Es fundamental pero muy crucial. En segundo lugar, las computadoras extraen las características de una enfermedad a través de un programa en particular basado en la entrada de imágenes marcadas. Finalmente, una imagen dada puede distinguirse de otro tipo de enfermedad por la característica estadística de las lesiones diana.
Según estos estudios, algunos algoritmos se han formado de manera preliminar, como DR, ROP, AMD, RVO, glaucoma, cataratas, etc. Sin embargo, con tantos informes actuales, rara vez se realiza un 100% de precisión y sensibilidad. Es decir, no todas las imágenes se pueden identificar con precisión o no se pueden perder. No solo depende de la técnica informática, sino también de la calidad de las imágenes de entrada [71] – [72] . Los principales factores que causan la mala calidad de las imágenes del segmento posterior o anterior pueden ser la cabeza del paciente o el movimiento del globo ocular, pupila sin dilatar, parpadeo frecuente, medio refractivo opaco y mala fijación [73] – [74]. Además, el proceso de marcado por los expertos también es bastante importante. Es la base del aprendizaje informático. Por lo tanto, los anotadores deben ser entrenados para un estándar uniforme.
Además de eso, pueden existir algunas otras limitaciones sobre el aprendizaje profundo [11] , [75]. Primero, la formación de un algoritmo requiere una gran cantidad de costos computacionales y experiencia de entrenamiento. Eso significa que la IA puede ser útil para las enfermedades con una alta morbilidad. Para enfermedades raras, puede no estar disponible. En segundo lugar, la computadora reconoce mecánicamente una estructura o una característica, por lo que la IA no puede identificar completamente una enfermedad separada de nuestra intervención. Se perderá una pequeña porción de características y variaciones que parecen inusuales. Inferimos que la IA puede detectar a la mayoría de las personas con algún tipo de enfermedad, no a todas. En tercer lugar, hasta cierto punto, este trabajo es complicado. Las características de una enfermedad y los parámetros de un algoritmo difieren de una tarea a otra. Finalmente, si la relación entre la entrada y los materiales de salida esperados es compleja, la máquina probablemente no construirá un modelo. Lo que es más importante es que puede causar un error.et al [76] describieron el proceso de cómo las redes neuronales conducen a una clasificación incorrecta.
Desde esta perspectiva, la IA puede realizar una tarea de manera realmente eficiente, pero un cierto grado de intervención humana es esencial durante el proceso.
En conclusión, la IA ha sido ampliamente estudiada en el procesamiento de imágenes oftalmológicas, principalmente en base a las fotografías del fondo de ojo. De hecho, logra una precisión prometedora comparable con los expertos clínicos. Sin embargo, se deben hacer más esfuerzos para explorar la red neuronal para ayudar a nuestro trabajo.
Comentarios recientes