Ministerio de Ciencia e Innovación

Desarrollan un algoritmo basado en inteligencia artificial para el diagnóstico temprano de glaucoma

Fuente: pixabay
UPM | martes, 15 de octubre de 2019

Investigadores del CIBER-BBN del grupo Biomedical Imaging Technologies que lidera Andrés Santos en la Universidad Politécnica de Madrid (UPM) y del Parc de Salut Mar de Barcelona, el Institut Català de Retina de Barcelona y el Centro Universidad Médica Radboud de Nimega (Países Bajos), han desarrollado una herramienta de telemedicina y un algoritmo basado en inteligencia artificial para la detección automática de indicios de glaucoma a partir de retinografías. El uso de esta tecnología en campañas de detección de patologías oculares permitiría el diagnóstico temprano de una de las enfermedades que causan más discapacidad visual en España, con un 2,1% de prevalencia en mayores de 40 años.

Se conoce por glaucoma a un conjunto de trastornos oculares degenerativos caracterizados por provocar daño en el nervio óptico tanto a nivel estructural como funcional. El glaucoma es la principal causa de pérdida de visión irreversible en la población de entre 40 y 80 años. A nivel mundial, se estima que hay más de 60 millones de personas que sufren la enfermedad y la previsión es que pueda aumentar hasta más de 110 millones en 2040. Debido a que es una enfermedad asintomática en sus primeras etapas, su diagnóstico con frecuencia no se realiza hasta fases avanzadas. Se estima que el porcentaje de casos no diagnosticados supera el 50%.

El estándar de diagnóstico y seguimiento del glaucoma en una consulta de oftalmología es un proceso costoso que incluye la realización de varias pruebas para la obtención de imágenes que son analizadas posteriormente por uno o varios especialistas; entre ellas, imágenes digitales en color del fondo de ojo, o retinografías. La identificación de signos patológicos en estas imágenes de la retina es compleja y requiere formación especializada y años de práctica.

Está demostrado que un diagnóstico y tratamiento temprano del glaucoma pueden prevenir la pérdida de visión, por ello se están desarrollando numerosas investigaciones para estudiar los posibles beneficios de campañas de detección y seguimiento de glaucoma a través de revisiones oftalmológicas, principalmente en población en riesgo, considerando factores como la edad o tener familiares que hubieran sufrido la enfermedad. Además, en paralelo, se han desarrollado múltiples algoritmos para procesar y clasificar automáticamente las imágenes de fondo de ojo y ayudar así en un diagnóstico más preciso.

La reciente irrupción de nuevos algoritmos y sistemas de computación más potentes ha alumbrado una nueva era en la inteligencia artificial y el aprendizaje automático. Bajo el término aprendizaje profundo ꟷo deep learning en inglésꟷ aparece un nuevo conjunto de técnicas especialmente eficaces y eficientes en el procesamiento, análisis y clasificación de todo tipo imágenes. Según señala Mª Jesús Ledesma, investigadora de la UPM experta en imagen biomédica: “hasta ahora, en el caso del glaucoma, los algoritmos de aprendizaje automático que se han utilizado se basaban en la identificación de parámetros y ratios de medidas del disco óptico que permitieran entrenar al método antes de ser aplicado. Este proceso, largo y costoso”, continúa, “ha sido sustituido en los últimos años por nuevas técnicas en las que se sustituye el trabajo de etiquetado y procesamiento anterior (complejo y difícilmente automatizable) por un aumento en la complejidad de los algoritmos, con muchas más etapas intermedias de procesamiento que generalizan el proceso de aprendizaje del programa y aumentan su precisión.”

En los algoritmos conocidos como supervisados, los más habituales, todavía es necesario realizar un etiquetado previo de los conjuntos de imágenes de entrenamiento, pero solo indicando el tipo o grado de avance de la patología. En base a esta información, el algoritmo internamente se encargará de aprender los parámetros necesarios para poder clasificar correctamente nuevas imágenes. Así, investigadores del grupo del CIBER-BBN Biomedical Imaging Technologies (BIT) de la UPM, han utilizado este enfoque para proponer nuevas tecnologías que permitan realizar una clasificación automática de glaucoma a través de imágenes de fondo de ojo.

Gracias a un proyecto de investigación financiado por el Instituto de Salud Carlos III,y liderado por el doctor Alfonso Antón del Parc de Salut Mar, el grupo de investigación de la UPM ha colaborado en el análisis de la precisión diagnóstica, el coste y la utilidad de la detección de glaucoma con métodos de imagen y telemedicina.

En las primeras fases de este proyecto, el grupo BIT-UPM implementó una herramienta de telemedicina que permitió a quince profesionales introducir y evaluar los datos de las pruebas oftalmológicas de una campaña de detección de glaucoma en la que participaron más de mil pacientes. Se realizó una doble evaluación remota de las pruebas a través de la herramienta de telemedicina, por medio de oftalmólogos especialistas (con más de cinco años de experiencia) y no especialistas. El diagnóstico final en caso de discrepancia entre ambas evaluaciones lo realizaron dos oftalmólogos especialistas en glaucoma también a través de la herramienta de telemedicina.

En una segunda etapa del proyecto, el grupo de la UPM se encargó de realizar una exhaustiva comparación de algoritmos basados en aprendizaje profundo para seleccionar y configurar el más adecuado para la clasificación automática de glaucoma. Para completar esta tarea, se colaboró con el prestigioso grupo de investigación holandés Diagnostic Image Analysis Group. El proyecto demostró que el uso de esta tecnología permite lograr ratios de sensibilidad ꟷcapacidad para detectar correctamente glaucomaꟷ y especificidad ꟷcapacidad para detectar correctamente casos sanosꟷ en valores en torno al noventa por ciento de los casos. Además, se identificó que estos valores son superiores a los ratios obtenidos por los profesionales no especialistas y cercanos a los de los especialistas con más experiencia.

Por último, una línea adicional probada también por los investigadores de la UPM en el proyecto, que cuenta con resultados preliminares muy prometedores, es el estudio de la aportación que tiene en la clasificación final la incorporación de datos clínicos adicionales adquiridos durante la realización de las pruebas de los pacientes. Los resultados en este caso muestran que una combinación de datos clínicos junto con las imágenes de fondo de ojo puede suponer una mejora de la sensibilidad y la especificidad de la clasificación. Estos últimos resultados servirán de base para los próximos pasos del grupo BIT en los que se incluirán, además de los datos clínicos, otros procedentes de diferentes pruebas de diagnóstico del glaucoma, como por ejemplo, la tomografía de coherencia óptica.

En opinión de Mª Jesús Ledesma, investigadora del CIBER-BBN en la UPM y responsable de la investigación: “la tecnología desarrollada por la UPM podría facilitar la realización de campañas de detección de glaucoma mediante el uso intensivo de telemedicina y algoritmos de clasificación automática basados en aprendizaje profundo, lo que ayudaría en la identificación de esta enfermedad en etapas más tempranas.”

Artículos de referencia

Gómez-Valverde, J.J., Antón, A., Fatti, G., Liefers, B., Herranz, A., Santos, A., Sánchez, C.I., Ledesma-Carbayo, M.J. "Automatic glaucoma classification using color fundus images based on convolutional neural networks and transfer learning". Biomed. Opt. Express, 10(2):892-913. Feb. 2019 (doi: 10.1364/BOE.10.000892).

Gomez, J.J., Sanchez, C.I., Liefers, B., Venhuizen, F.G., Fatti, G., Morilla-Grasa, A., Cartagena, Y., Herranz Cabarcos, A., Santos, A., Ledesma-Carbayo, M.J., Anton-Lopez, A. "Automated Analysis of Retinal Images for the detection of Glaucoma based on Convolutional Neural Networks". Invest. Ophthalmol. Vis. Sci., 58(8):706. (ARVO 2017: The annual meeting of the Association for Research in Vision and Ophthalmology). Jun. 2017.

Gómez Valverde, J.J., Fatti, G., Antón López, A. "Rastreo de glaucoma basado en detección guiada por imágenes, análisis automático de imágenes y telemedicina". Actas del XXXIII Congreso Anual de la Soc. Esp. Ing. Biomédica, pág. 426-429. Madrid. Nov. 2015.