Resumen
El uso de la inteligencia artificial en medicina en una tecnología en evolución que es prometedora para el cribado masivo y tal vez incluso pueda ayudar a establecer un diagnóstico preciso. La capacidad de la informática compleja es realizar el reconocimiento de patrones creando relaciones complejas basadas en datos de entrada y luego compararlos con los estándares de rendimiento es un gran paso. La retinopatía diabética es un problema cada vez mayor. La detección temprana y el tratamiento oportuno de la misma pueden reducir la carga de la vista que amenaza la retinopatía. Cualquier herramienta que pueda ayudar en la detección rápida de este trastorno y minimizar el requerimiento de recursos humanos capacitados para el mismo probablemente sería una bendición para pacientes y oftalmólogos. En esta revisión, discutimos el estado actual del uso de la inteligencia artificial en la retinopatía diabética y algunos otros trastornos retinianos comunes.Palabras clave: inteligencia artificial, IDx-DR, imagen del fondo, detección
La inteligencia artificial (IA) se ha convertido en una importante frontera en la investigación en informática. La accesibilidad, la calidad y la accesibilidad de la atención médica pueden amplificarse utilizando esta tecnología. AI en palabras simples significa realizar una tarea principalmente por una computadora o un robot, con una participación mínima de los seres humanos. [ 1 ] En otras palabras, AI es la simulación de la inteligencia humana por un software / máquina. Es esencialmente la capacidad de un sistema computarizado para mostrar habilidades cognitivas. [ 2] Al igual que el aprendizaje en humanos, los sistemas de IA deben exponerse a una base de datos que les permita primero “aprender” objetivos simples con respecto a un hallazgo o enfermedad específicos. Sin embargo, la IA es mucho más que una simple base de datos enorme. Siguiendo los pasos iniciales de aprendizaje, se enseña al sistema o máquina a “mejorar”, es decir, evolucionar sobre su aprendizaje inicial para ser más preciso y eficiente. [ 2] Este aprendizaje se ve agravado por el uso de ecuaciones matemáticas complejas para que el sistema entienda las relaciones no lineales entre diferentes variables a través de un flujo de información denominado “redes neuronales”. En esencia, esta forma de “entrenamiento superior” permite a AI juzgar y sopesar ¡Posibilidades de resultados diferentes, como un médico ideal! Muchos de estos avances tecnológicos se deben en parte al software que ahora está disponible a través de recursos relacionados con la información y la tecnología. Un ejemplo de software de aprendizaje automático disponible en el mercado es Scikit-learn, que requiere lenguajes informáticos como Python como plataforma para trabajar. Scikit learn es una biblioteca de aprendizaje automático para usar en lenguaje de programación python y se ha utilizado para la detección de retinopatía diabética. Varios programas comerciales actualmente integran inteligencia artificial y aprendizaje automático para el procesamiento y la evaluación de imágenes de fondo de ojo. El software de evaluación de fondo de ojo se está realizando como proyectos estudiantiles en varias universidades de ingeniería durante los últimos años. El oftalmoscopio indirecto abierto de LVPEI y MIT tiene una opción incorporada para la detección de DR por Machine Learning. Además, la aplicación Eyagnosis de Kavya Kopparapu, que junto con una cámara de fondo de teléfono inteligente impresa en 3D, se desarrolló en 2016 y se probó en varios hospitales oftalmológicos líderes.
La evaluación y el diagnóstico médicos asistidos por IA basados en imágenes están evolucionando actualmente. [ 3 , 4 ] La aplicación de esta tecnología en oftalmología se centra principalmente en las enfermedades con alta incidencia, como la retinopatía diabética (RD), la degeneración macular relacionada con la edad. (DMAE), glaucoma, retinopatía del prematuro (ROP), catarata relacionada con la edad o congénita, y oclusión de la vena retiniana (RVO).
La RD es una enfermedad ocular conocida por causar pérdida visual moderada a severa y es la principal causa de ceguera en personas en edad laboral que padecen diabetes de larga data. [ 5] La carga de salud se acentúa por el enorme costo per cápita. Esto ha aumentado aún más desde la introducción de agentes anti VEGF. Muy a menudo, la enfermedad no muestra síntomas evidentes hasta que alcanza una etapa avanzada; sin embargo, si se detecta temprano, el deterioro de la visión puede evitarse mediante una intervención temprana, que también es la opción más rentable. En vista del aumento alarmante en el número de personas con diabetes y la escasez de especialistas en retina y oftalmólogos capacitados, un análisis por computadora de las imágenes del fondo de ojo mediante un enfoque automatizado reduciría la carga de los sistemas de salud en la detección de DR y ofrecería un sistema casi ideal para su gestión. [ 6 , 7 , 8] Por lo tanto, la detección será valiosa en cualquier etapa de la enfermedad y también será útil para evitar la ceguera entre el 90% de los pacientes. [ 9 ]
Se realizaron búsquedas en todos los estudios de idioma inglés relacionados con la oftalmología publicados en PubMed y en la base de datos Springer. Se resumieron los artículos publicados en los últimos 10 años que consideramos relevantes. Las palabras clave utilizadas para la búsqueda en PubMed fueron inteligencia artificial, oftalmología, aprendizaje profundo, aprendizaje automático, retinopatía diabética.Ir:
El problema
Independientemente del tipo de diabetes, todas las personas diagnosticadas con DM necesitan un examen de retina anual repetitivo y regular para la detección oportuna y el tratamiento adecuado de la retinopatía diabética (DR). [ 10 , 11 ] Convencionalmente, el examen de retinopatía se realiza mediante examen de fondo de ojo por oftalmólogos o con la ayuda de la fotografía en color de fondo de ojo utilizando cámaras convencionales de fondo (midriático o no midriático) por técnicos oculares capacitados u optometristas. [ 12] El problema principal es la clasificación de las imágenes de la retina por parte de oftalmólogos (especialistas en retina) o personas capacitadas, cuyo número es muy escaso en comparación con la carga de pacientes que requieren detección. En segundo lugar, algunos de estos pacientes se encuentran en áreas rurales y no pueden visitar a un proveedor de atención ocular. En tercer lugar, como tales seguimientos son necesarios durante años juntos, la actitud y / o los aspectos conductuales impactan negativamente en la práctica de los pacientes a pesar del conocimiento de las consecuencias. Estos problemas se pueden resolver con la provisión de un sistema de imágenes automatizado al alcance del paciente. Por lo tanto, ha habido un creciente interés en el desarrollo de software de análisis automatizado utilizando aprendizaje automático por computadora / inteligencia artificial (IA) para el análisis de imágenes retinianas en personas con diabetes, resolviendo así al menos una parte del problema.13 ]Ir:
La solución: principio detrás de la inteligencia artificial
Básicamente es un proceso de enseñar a una máquina a reconocer patrones específicos. Históricamente, se ha utilizado para diversas tareas técnicas, incluida la clasificación precisa de imágenes de alta resolución. Las técnicas de los dispositivos de inteligencia artificial se clasifican en gran medida en las siguientes categorías principales [ 2 ]: las técnicas de aprendizaje automático, [ 14 ] los métodos de procesamiento del lenguaje natural, el habla, la visión, el sistema experto, la robótica, etc. Hasta ahora, las técnicas de aprendizaje automático se utilizan más en oftalmología. [ 15 ]
El proceso de aprendizaje automático incluye principalmente dos partes, un conjunto de capacitación seguido de un conjunto de validación. Este proceso ocurre al proporcionar una gran cantidad de datos de entrenamiento, es decir, miles de imágenes retinianas de diferentes grados de DR a la máquina / sistema como el conjunto de entrenamiento. [ 16 ] La mayoría de los datos están etiquetados por características por adelantado por los profesionales autorizados. Después de exponerse a numerosas imágenes retinianas anotadas, la máquina aprende a calificar DR por sí misma al construir un modelo de relaciones complejas entre los datos de entrada y generalizar un estándar de rendimiento. Además, se utilizan algunos otros datos para verificar el algoritmo establecido, es decir, el conjunto de validación [ Diagrama de flujo 1 ].
Se han descrito dos modelos principales de aprendizaje profundo: la red neuronal convolucional (CNN) y la red neuronal artificial de entrenamiento masivo (MTANN). [
17 ]
Retinopatía Diabética e Inteligencia Artificial
Por lo menos, la detección anual del fondo de ojo es prudente en pacientes con diabetes no controlada para un diagnóstico y tratamiento tempranos para reducir la carga de enfermedad en la comunidad. Sin embargo, solo la mitad de estos pacientes se someten a exámenes de detección. [ 18 ] En la actualidad, el examen de detección requiere la derivación a un oftalmólogo, y los pacientes no pueden visitar al especialista debido a la falta de un oftalmólogo en su comunidad, las barreras logísticas o el costo de la visita. Una forma de abordar estos problemas es obtener imágenes de fondo de color y enviarlas a un especialista en ojos u optometristas para que las lean. [ 19 ] Aunque estos programas aumentan las tasas de detección, aún existen barreras logísticas, problemas de costos y demoras [ 20 ].] Tales limitaciones crearon interés en la evaluación de imágenes utilizando sistemas de clasificación basados en IA totalmente automatizados. En tiempo real, el sistema decidiría si un paciente requiere derivación y podría ser mucho más barato que hacer que los oftalmólogos realicen un examen de detección. En abril de 2018, la Administración de Drogas y Alimentos de los Estados Unidos (FDA) aprobó un algoritmo de IA, desarrollado por IDx, utilizado con la cámara Topcon Fundus (Topcon Medical) para la identificación de DR. [ 21 ]
Tabla 1
El entusiasmo en el campo de la inteligencia artificial ha llevado a varios estudios que utilizan imágenes retinianas para probar el rendimiento de los sistemas de clasificación de IA para detectar DR. Pocos de los estudios son dignos de mención. [ Tabla 1 ] Históricamente, el Centro de lectura de fotografías de fondo de Wisconsin (FPRC) ha sido el estándar de oro para los ensayos que requieren una clasificación de la gravedad de la RD, incluido el Ensayo de control y complicaciones de la diabetes (DCCT), Red de investigación clínica de la retinopatía diabética (DRCR.net ) estudios. Wong et al . [ 22 ] propusieron un modelo para clasificar las etapas de DR en función de microaneurismas y hemorragias. Imani y otros [ 23] formaron una técnica diferente en la cual, mediante el análisis de componentes morfológicos, detectaron la exudación y el vaso sanguíneo. El mapa de vasos se obtiene utilizando un umbral adaptativo. Yazid et al . [ 24 ] publicaron la identificación de la exudación dura y el disco óptico basado en el umbral de superficie inversa. El objetivo principal de este trabajo fue detectar exudados blandos y duros. Sin embargo, dado que el color de los exudados es similar al del disco óptico, generalmente se detectan juntos. Básicamente, la agrupación difusa de c-medias, la detección de bordes y el umbral de Otsu se utilizaron para separar los píxeles del borde de los exudados del fondo. Akyol y otros [ 25] mediante el uso de detección de puntos clave, análisis de textura y técnicas de diccionario visual, se detectó el disco óptico de las imágenes del fondo de ojo. Los estudios han informado que la sensibilidad de la detección automática de DR varía del 75% al 94,7% y la especificidad y la precisión son comparables. [ 26 ] Un estudio que utiliza un sistema de fotografía de fondo de ojo basado en teléfonos inteligentes para evaluar la utilidad de una interpretación automatizada de la detección basada en IA en la clínica médica también ha mostrado resultados positivos. [ 27 ] El estudio informó una “alta sensibilidad para la detección de DR por encima del 95% usando el software EyeArt cuando se usa en imágenes de la retina tomadas con Fundus en el teléfono (FOP)”. Un estudio reciente realizado por EyeNuk con imágenes de la retina tomadas con cámaras de fondo de escritorio tradicionales mostró que la sensibilidad de EyeArt para la detección de DR era 91.7% y 91.5% de especificidad.28 ] Otro importante estudio muy reciente sobre la validación del aprendizaje profundo (AI) de Ting et al . [ 29 ] Hecho en Singapur con varias imágenes de retina tomadas con cámaras de fondo convencionales mostraron una alta sensibilidad y especificidad para la identificación de RD y otras enfermedades oculares como la DMAE . Un programa automatizado de detección de DR teleretinal, IRIS (sistema inteligente de imágenes retinianas), comparó imágenes retinianas no midriáticas con un conjunto de datos estándar del Estudio de retinopatía diabética de tratamiento temprano (ETDRS), y propuso recomendaciones para derivación. Cualquier paciente con NPDR grave o enfermedad más avanzada se consideró adecuado para la derivación. [ 8 ] Este programa de detección informó una buena sensibilidad y una baja tasa de falsos negativos.
Una lista de estudios informados para la detección de la retinopatía diabética utilizando dispositivos de inteligencia artificial.
| Nombre del estudio. | Enfermedad estudiada | Sensibilidad, especificidad o precisión porcentual del estudio. | Total de imágenes del fondo examinadas | Tipo de IA utilizada | Objetivo principal |
|---|---|---|---|---|---|
| Wong y otros [ 22 ] | DR | El área bajo la curva fue 0.97 y o. 92 para microaneurismas y hemorragias respectivamente | 143 imágenes | Una red neuronal de alimentación de tres capas | Se ocupa de detectar los microaneurismas y hemorragias. Filtro Frangi usado |
| Imani y otros [ 23 ] | DR | Rango de precisión de 95.23-95.90% Sensibilidad de 75.02-75.24% Especificidad de 97.45-97.53% | 60 imágenes | Análisis de componentes morfológicos (MCA) | Detectó la exudación y el vaso sanguíneo. |
| Yazid y col . [ 24 ] | DR | 97.8% en sensibilidad, 99% en especificidad y 83.3% en predictividad para la base de datos STARE 90.7% en sensibilidad, 99.4% en especificidad y 74% en predictividad para la base de datos personalizada | 30 imágenes | Umbral de superficie inversa | Detectó exudados duros y blandos |
| Akyol y otros [ 25 ] | DR | El porcentaje de precisión de detección de disco varió de 90-94.38% usando diferentes conjuntos de datos | 239 imágenes | Detección de puntos clave, análisis de textura y técnicas de diccionario visual. | Detectado el disco óptico de las imágenes del fondo |
| Niemeijer y col . | DR | Precisión en el 99,9% de los casos para encontrar el disco | 1000 imágenes | Combinado k-vecino más cercano (kNN) y señales | detección rápida del disco óptico |
| Rajalakshmi et al ., Estudio basado en teléfonos inteligentes [ 27 ] | DR | Sensibilidad del 95.8% (IC 95% 92.9-98.7) y especificidad del 80.2% (IC 95% 72.6-87.8) para detectar cualquier sensibilidad DR 99.1% (IC 95% 95.1-99.9) y especificidad 80.4% (IC 95% 73.9-85.9) en la detección de STDR | Imágenes retinianas de 296 pacientes. | Se utiliza el software de detección Eye Art AI DR | Fotografía retiniana con Remidio ‘Fundus on phone’ (FOP) |
| Estudio de Eye Nuk [ 28 ] | DR | La sensibilidad fue del 91.7% (IC 95%: 91.3-92.1%) y la especificidad fue del 91.5% (IC 95%: 91.2-91.7%) | 40542 imágenes | Sistema de cribado ocular EyePACS | Imágenes retinales tomadas con cámaras de fondo de escritorio tradicionales |
| Ting y otros [ 29 ] | DR | La sensibilidad y especificidad para RDR fue 90.5% (IC 95% 87.3-93.0%) y 91.6% (IC 95% 91.0-92.2%) Para STDR la sensibilidad fue 100% (IC 95% 94.1-100.0%) y la especificidad fue 91.1 % (IC 95% 90.7-91.4%) | 494661 imágenes retinianas | Sistema de aprendizaje profundo | Múltiples imágenes retinianas tomadas con cámaras convencionales de fondo |
| IRIS [ 8 ] | DR | La sensibilidad del algoritmo IRIS en la detección de STDR fue 66.4% (IC 95% 62.8-69.9) con una tasa de falsos negativos de 2% y la especificidad fue 72.8% (IC 95% 72.0-73.5) Valor predictivo positivo de 10.8% (95 % IC, 9.6% -11.9%) y valor predictivo negativo 97.8% (IC 95%, 96.8% -98.6%) | 15015 pacientes | Sistema inteligente de imágenes retinianas (IRIS) | Examen de detección de retina y fotografía de fondo de ojo no midriático |
El uso de IA para evaluar imágenes de la retina es atractivo, ya que encaja con la tendencia actual de la teleoftalmología y la telemedicina. Los pacientes seleccionados que tienen DR que amenazan la vista necesitarían conocer al oftalmólogo. La derivación urgente de estos pacientes es crítica, ya que la DR afecta a las personas durante sus primeros años productivos de vida. [ 30 ]Ir:
IDx-DR
IDx-DR es el primer algoritmo de IA aprobado por la FDA para la detección de DR en las oficinas de profesionales de la salud no oftálmicos. [ 21 ] El dispositivo se combina con una cámara retiniana no midriática (TRC-NW400, Topcon) y las imágenes capturadas se envían a un servidor basado en la nube. El servidor luego utiliza el software IDx-DR y un algoritmo de “aprendizaje profundo” para detectar hallazgos retinianos consistentes con DR basados en una comparación autónoma con un gran conjunto de datos de imágenes representativas de fondo de ojo. El software proporciona uno de los dos resultados: (1) Si se detecta más de DR leve, consulte a un profesional de la salud visual (ECP); (2) Si los resultados son negativos para más de DR leve, vuelva a examinar en 12 meses. [ 31 ]
La aprobación de la FDA del dispositivo IDx-DR se basó en un estudio en 900 sujetos en un entorno de atención primaria (10 sitios de atención primaria) con análisis de imagen automatizado. Se obtuvieron y analizaron dos imágenes digitales de 45 grados por ojo (una centrada en la mácula, otra centrada en el nervio óptico). Estas imágenes se compararon con las imágenes estéreo de fondo de campo ancho interpretadas por el Centro de lectura de fotografías de fondo de Wisconsin (FPRC). Después de obtener imágenes de la retina, el sistema de inteligencia artificial puede hacer un diagnóstico en solo 20 segundos.
Con base en el análisis, se definió una nueva entidad llamada DR más que mínima (mtmDR). Está en nada más que en la presencia de ETDRS de nivel 35 o superior (microaneurismas más exudados duros, manchas de algodón y / o hemorragias leves de retina) y / o DME en al menos un ojo. [ 32 ] El 96 por ciento de las imágenes adquiridas fueron suficientes calidad para la evaluación algorítmica, que fue un número realmente alto en entornos de atención primaria. La sensibilidad y especificidad de la tecnología fue del 87.4% y 89.5% respectivamente para detectar más que DR leve. Vale la pena mencionar que el algoritmo identificó correctamente al 100% de los sujetos con niveles de ETDRS de 43 o más DR. Como el dispositivo ofrece una decisión de detección sin necesidad de un oftalmólogo, también puede ser utilizado por profesionales sanitarios no oftálmicos.Ir:
Desventajas de la IA
En vista de menos del 90% de sensibilidad y especificidad del dispositivo, [ 21 ] 1 de cada 10 pacientes en teoría puede tener un resultado falso positivo y falso negativo. Por lo tanto, no es absolutamente a prueba de fallas. Por lo tanto, es crucial educar a los pacientes y médicos que los dispositivos de la generación actual no son 100% confiables. Un resultado falso negativo puede proporcionar una pseudo sensación de seguridad sobre el estado de la retinopatía. Por el momento, un examen ocular dilatado completo sigue siendo el estándar de oro de la detección y no se puede reemplazar con este dispositivo hasta que se demuestre lo contrario de manera adecuada. La diabetes tiene numerosas manifestaciones oculares además de la RD, que incluyen glaucoma, degeneración macular relacionada con la edad (DMAE), cataratas, ojo seco. Es obligatorio un examen exhaustivo para un diagnóstico y tratamiento adecuados en estos pacientes. [ 32]
El edema macular diabético es la principal causa de pérdida de visión en pacientes con diabetes. El examen macular estereoscópico junto con la tomografía de coherencia óptica sigue siendo el estándar de oro para diagnosticar esta afección. Aunque todos los sujetos con ETDRS nivel 43 o DR más alto fueron detectados a través de IDx-DR, pero muchos casos de DME sutil se perdieron debido a la falta de direccionamiento. La responsabilidad legal en casos de diagnóstico erróneo con inteligencia artificial es otro tema que aún no se ha solucionado.Ir:
Usos de la inteligencia artificial en otras afecciones oftálmicas
La degeneración macular relacionada con la edad
La DMAE es una enfermedad macular crónica e irreversible y una de las principales causas de pérdida de visión central en personas mayores de 50 años. [ 33 , 34 ] Con la demanda de un examen de detección regular en tal condición, una herramienta de diagnóstico automático de AMD puede reducir claramente la carga de trabajo de los médicos. [ 35 , 36 ] Pocos estudios utilizaron la imagen del fondo de ojo como entrada, donde otros investigadores existentes han utilizado OCT como una herramienta para el aprendizaje profundo de ARMD. Bogunovic et al . [ 37 ] emplean un algoritmo para predecir las necesidades de tratamiento anti-VEGF de las exploraciones de OCT tomadas durante el inicio del tratamiento.
Oclusión de la vena retiniana
Un grupo de investigación utilizó CNN combinado con parche y métodos de votación basados en imágenes para reconocer la imagen del fondo de la oclusión de la vena retiniana de la rama (BRVO) automáticamente. Informaron una alta precisión superior al 97%. [ 38 ]
Retinopatía del prematuro.
La ROP es una causa principal de ceguera infantil tratable [ 39 , 40 ] cuando se diagnostica a tiempo. Esta enfermedad exige un seguimiento y detección repetidos, lo cual es muy tedioso y exigente. Por lo tanto, la aplicación de AI en la detección de ROP puede ampliar la competencia en la atención de ROP. Se han obtenido resultados prometedores de varios estudios. La mayoría de ellos se basan actualmente en una clasificación de dos niveles (más o no más enfermedad). [ 41 , 42 , 43 ]
Enfermedades del segmento anterior.
La enfermedad incluye principalmente cataratas [ 44 ] y glaucoma, que son condiciones muy frecuentes en la atención médica comunitaria. Se ha informado sobre la clasificación automática de cataratas nucleares con lámpara de hendidura. La detección del glaucoma [ 45 , 46 ] depende principalmente de la presión intraocular (PIO), el grosor de la fibra nerviosa retiniana (RNFL), el nervio óptico y el examen del campo visual. A diferencia de la retinopatía diabética, el glaucoma no es una enfermedad de imagen. Por lo tanto, el obstáculo sería incorporar otras pruebas de resultados, como imágenes OCT, IOP, fotos de disco y datos de campo visual longitudinal en los sistemas de IA. Hwang y col.. han combinado datos corneales de tomografía de hendidura y OCT de dominio espectral en un método para detectar córneas en busca de signos muy tempranos de queratocono utilizando inteligencia artificial.Ir:
Aspectos legales de la IA
La IA tiene un enorme potencial para remodelar la atención médica y es más rápido hacerlo. Pero los problemas legales relacionados con el desarrollo y la implementación de algoritmos de IA son considerables. La regulación, las causas legales de acción, como la negligencia médica y la responsabilidad del producto, la propiedad intelectual y la privacidad del paciente, tienen implicaciones reales para la forma en que se desarrolla y despliega la IA. Cuando se trata de inteligencia artificial y aprendizaje automático, actualmente hay más preguntas legales que respuestas. ¿Cómo pueden los sistemas de IA garantizar el consentimiento? ¿Cómo se abordarán las cuestiones de responsabilidad? ¿Cómo encaja la IA en los marcos éticos existentes en la India? ¿Cómo se puede garantizar la seguridad y la precisión de las soluciones de IA, particularmente en el sector de la salud, ya que las vidas individuales pueden estar en juego y se manejan datos altamente sensibles? Estas son algunas preguntas que aún no se han respondido.Ir:
Perspectiva del futuro
El uso de la IA en el diagnóstico médico, especialmente en oftalmología, anuncia una nueva era. Si se demuestra que es lo suficientemente sensible y específica, esta tecnología puede cambiar totalmente la forma en que vemos los programas de detección y los programas de oftalmología basados en la comunidad. La mayoría de los sistemas actuales utilizan imágenes convencionales de fondo de 30 a 50 °. Quizás las aplicaciones basadas en imágenes de campo amplio y análisis vascular basado en angiografía OCT podrían arrojar resultados aún más consistentes. Sin embargo, el alto costo de las imágenes de campo amplio y la angiografía OCT puede ser un factor limitante para esto en la actualidad. También se está trabajando mucho en la identificación de biomarcadores séricos para la detección temprana y el control de enfermedades como la retinopatía diabética. Por lo tanto, un análisis exhaustivo de las imágenes oculares, el perfil de parámetros sistémicos y otros biomarcadores séricos que utilizan AI podría proporcionar una mejor comprensión,Ir:
Conclusión
La herramienta AI DR puede ayudar al clínico con el análisis de imágenes de fondo de ojo, que a su vez ayuda a informar rápidamente los próximos pasos en el tratamiento del paciente. Además, los médicos pueden atender a más pacientes que necesitan atención sin midriasis. Las tecnologías sanitarias emergentes hacen hincapié en reducir las visitas a especialistas de la vista, reducir el costo general del tratamiento y optimizar el número de pacientes atendidos por cada médico. AI puede ayudar al profesional de la salud a alcanzar el objetivo. Aunque ayuda en el sector de la atención médica, no debe sustituir a un médico en su nivel actual. Los nuevos desarrollos en el sector de la inteligencia artificial están abriendo nuevas promesas para ejecutar algoritmos de detección y clasificación de DR.
Comentarios recientes