Algoritmos de aprendizaje profundo para soporte al diagnóstico de la retinopatía diabética en fotografías de fondo de ojo
posted on October 7, 2021
Podés acceder al documento de la tesis desde este link.
### Resumen
La Retinopatía Diabética (RD) es una complicación microvascular producida por la diabetes mal tratada e inicialmente asintomática, que constituye la principal causa de ceguera prevenible en adultos en edad laboral. Para evitar la pérdida irreversible de la visión, se recomienda a las personas diabéticas concurrir al menos una vez al año al oftalmólogo a hacerse un chequeo de las retinas, para verificar si éstas presentan signos de relevancia que requieran iniciar un tratamiento pronto. En Argentina se estima que 1.8 millones de personas entre 20 y 79 años padecen de diabetes, y que esta cifra ascenderá a 2.5 millones hacia 2050 (un 6.9% de la población adulta del país). Un 77% de estas personas no cumple con el control oftalmológico anual, presumiblemente a raíz de la limitada cantidad de profesionales disponibles, calculada en 8 oftalmólogos cada 100.000 habitantes. Para mitigar esta dificultad, se ha propuesto realizar campañas de tamizado basadas en telemedicina para hallar tempranamente casos de riesgo mediante fotografías de fondo de ojo, una modalidad de imagen médica no invasiva, de bajo costo y fácil captura, que puede adquirirse sin necesidad de un oftalmólogo en el lugar. Las mismas se transmiten hacia un centro de informes, donde un grupo de profesionales determina qué casos requieren tratamiento. Sin embargo, el número elevado de estudios que se capturan hace inviable analizarlos a todos sin perjudicar la necesidad de profesionales para tratamiento, por lo que es deseable contar con herramientas que permitan filtrar los casos que no revisten gravedad, para concentrarse en los de interés y hacer un uso eficiente del recurso humano. En este trabajo final de carrera se introduce un modelo de inteligencia artificial basado en redes neuronales convolucionales que permite identificar automáticamente casos de retinopatía diabética que requieren ser referidos a un oftalmólogo. El mismo utiliza una arquitectura ResNet-18 preentrenada sobre imágenes naturales del banco ImageNet, adaptada para resolver esta problemática. Para asegurar su robustez ante variaciones en el escenario de despliegue, el modelo se reentrenó cuidadosamente sobre un conjunto curado de datos de entrenamiento construido a partir de un relevamiento de bancos de imágenes públicos disponibles, formado por estudios adquiridos con diversas cámaras y distintas etnias, resoluciones y orígenes. Con igual objetivo, se utilizó una estrategia basada en el calibrado iterativo de los parámetros empleados para la aumentación de imágenes. Finalmente, se integraron al modelo mecanismos de visualización de atribuciones que permiten indicar las regiones tenidas en cuenta por el modelo para realizar la predicción. El modelo final fue evaluado sobre un conjunto de 55.997 imágenes de múltiples orígenes, obteniendo resultados comparables a los del estado del arte. Desde el punto de vista cualitativo, se observó que el modelo identifica lesiones vinculadas con la existencia de la retinopatía diabética para dar su predicción. Además, se observó que el método es robusto ante la presencia de comorbilidades, que no afectan su desempeño para identificar la enfermedad. El método será integrado en el mediano plazo en una plataforma de telemedicina oftalmológica para detectar casos de retinopatía diabética que deban referirse a un profesional.