Healthcare
La IA se utiliza para analizar imágenes de la retina
En un enfoque recientemente desarrollado, la inteligencia artificial (IA) se está utilizando para analizar imágenes de la retina. El sistema podría ser utilizado por médicos para seleccionar el mejor tratamiento para pacientes que sufren pérdida de visión por edema macular diabético, una complicación de la diabetes. Ese problema a menudo conduce a la pérdida de la visión entre los adultos en edad laboral.
Uno de los primeros tipos de terapia que se utiliza a menudo como línea de defensa contra el edema macular diabético es el factor de crecimiento endotelial antivascular (VEGF). El problema con los agentes VEGF es que no funcionan para todos. Primero se debe identificar a aquellos que podrían beneficiarse de la terapia, ya que requiere múltiples inyecciones. Esas inyecciones cuestan mucho y son una carga tanto para los pacientes como para los médicos.
El líder del equipo de investigación es Sina Farsiu de la Universidad de Duke.
“Desarrollamos un algoritmo que se puede usar para analizar automáticamente imágenes de tomografía de coherencia óptica (OCT) de la retina para predecir si es probable que un paciente responda a los tratamientos anti-VEGF”, dijo. “Esta investigación representa un paso hacia la medicina de precisión, en la que dichas predicciones ayudan a los médicos a seleccionar mejor las terapias de primera línea para los pacientes en función de enfermedades específicas.."
La obra fue publicada en La sociedad óptica (OSA) revista Óptica Biomédica Express. En la revista, Farsiu y su equipo demostraron cómo el nuevo algoritmo es capaz de predecir con precisión si es probable que un paciente responda a la terapia anti-VEGF, después de solo un escaneo volumétrico.
“Nuestro enfoque podría usarse potencialmente en clínicas oftalmológicas para evitar tratamientos de prueba y error innecesarios y costosos y, por lo tanto, aliviar una carga sustancial de tratamiento para los pacientes”, dijo Farsiu. “El algoritmo también podría adaptarse para predecir la respuesta a la terapia para muchas otras enfermedades oculares, incluida la degeneración macular neovascular relacionada con la edad”.
El algoritmo recientemente desarrollado se basa en una novedosa arquitectura de red neuronal convolucional (CNN). Una CNN es un tipo de inteligencia artificial, y asigna importancia a diversos aspectos u objetos para poder analizar imágenes. Los investigadores utilizaron el algoritmo para examinar imágenes adquiridas con OCT, que es una tecnología no invasiva. La OCT produce imágenes retinianas transversales de alta resolución y se considera el estándar de atención para la evaluación y el tratamiento de diversas afecciones oculares.
"A diferencia de los enfoques desarrollados anteriormente, nuestro algoritmo requiere imágenes OCT de un solo punto de tiempo de pretratamiento", dijo Reza Rasti, primer autor del artículo y becario postdoctoral en el laboratorio de Farsiu. "No hay necesidad de imágenes OCT de serie temporal, registros de pacientes u otros metadatos para predecir la respuesta a la terapia".
El nuevo algoritmo funciona resaltando estructuras globales en la OCT. Al mismo tiempo, también mejora las características locales de las regiones enfermas. Busca características codificadas por CNN que puedan correlacionarse con la respuesta anti-VEGF.
El algoritmo se probó con imágenes de OCT de 127 pacientes que habían recibido tratamiento para el edema macular diabético con tres inyecciones consecutivas de agentes anti-VEGF. Luego, el algoritmo analizó las imágenes OCT que se tomaron antes de las inyecciones anti-VEGF, y las predicciones del algoritmo se compararon con las imágenes OCT tomadas después de la terapia anti-VEGF. Esto les dijo a los investigadores si la terapia resultó o no en una mejora de la condición.
Se encontró que el algoritmo tenía una tasa de precisión del 87 por ciento para predecir quiénes responderían al tratamiento. Tenía una precisión y especificidad promedio del 85 por ciento y una sensibilidad del 80 por ciento.
Los investigadores ahora quieren confirmar los hallazgos y realizar un ensayo observacional más amplio de pacientes que aún no han pasado por el tratamiento.
