10-09-2019.
Propósito: La interpretabilidad es un factor clave en el diseño de clasificadores automáticos para diagnóstico médico. Deep Learning (DL) es un subcampo de aprendizaje automático que permite la construcción automática de modelos de clasificadores de imágenes muy efectivos utilizando un modelo paramétrico. Las redes neuronales convolucionales (CNN) son un subcampo de aprendizaje profundo que ha demostrado ser muy efectivo para la clasificación, detección y segmentación de imágenes. Teniendo en cuenta todo esto, hemos diseñado un algoritmo de retinopatía diabética de aprendizaje automatizado (algoritmo ALDR) para ayudar a los médicos con cribado basado en imágenes de la retinopatía diabética (DR). Lugar:una cohorte de 19.230 pacientes con diabetes mellitus de la población de referencia del Hospital Sant Joan de Reus, Tarragona, España.
Métodos:Validamos nuestro algoritmo de retinopatía diabética de aprendizaje automatizado (algoritmo ALDR), realizado por redes neuronales convolucionales de aprendizaje profundo, en un total de 19,230 retinografías de 19,230 pacientes con diabetes mellitus realizadas por una única retinografía de 45º centrada entre la mácula y el lado temporal de la papila. según la recomendación de EURODIAB. Las retinografías fueron leídas por nuestro ALDR-ALGORITHM y también validadas por cuatro retinólogos enmascarados. La retinopatía se calificó según MESSIDOR en cuatro niveles: 0 = Normal [sin microaneurismos ni hemorragias], 1 = nivel 20 de ETDRS [solo microaneurismas (≤5)], 2 = retinopatía diabética moderada [microaneurismos> 5 y <15 o hemorragias <5], y 3 = retinopatía diabética severa [microaneurismos ≥15 o hemorragias ≥ 5 o vasos nuevos = 1]. Determinamos acuerdo,
Resultados: Elacuerdo QWK (evaluación única) fue de 0.823, con una sensibilidad del 91.7% y una especificidad del 96.5%. Nuestros resultados demostraron un acuerdo altamente significativo con un bajo número de conferencias falsas negativas. Centrándose en el nivel 0 DR en la conferencia de aprendizaje automático, solo 5 de las 19,230 retinografías fueron leídas como nivel 0 por el algoritmo, pero los retinólogos informaron como nivel 1 (es decir, conferencias con falso negativo). Los retinólogos no informaron ninguno como nivel 2 o 3; solo un total de 9 de 19,230 fueron validados por la conferencia de aprendizaje automático con un grado más bajo (nivel 1-2) que las evaluaciones comparativas de los retinólogos (2-3 niveles).
Conclusiones:Estos resultados permiten que el algoritmo ayude al médico a descartar una gran cantidad de ojos no afectados. Concluimos que nuestro algoritmo de aprendizaje profundo automático desarrollado para la retinopatía diabética pudo leer retinografías de pacientes diabéticos con un gran acuerdo y puede ayudar en la retinopatía diabética cribado.
Comentarios recientes