Inteligencia Artificial diagnostica enfermedades gracias a imágenes de la retina

Esta innovadora tecnología utiliza imágenes de la retina para identificar enfermedades que abarcan desde trastornos oculares hasta insuficiencia cardíaca y la enfermedad de Parkinson.

El software, bautizado como RETFound, se destaca por su enfoque en el aprendizaje autosupervisado, marcando un hito en la detección de enfermedades a través de imágenes retinales. A diferencia de métodos anteriores que requerían el etiquetado manual de imágenes, RETFound se inspira en el aprendizaje utilizado por las grandes modelos de lenguaje, como ChatGPT. Este enfoque permite al programa aprender de manera autónoma cómo predecir áreas faltantes en imágenes de la retina.

«Con millones de imágenes, el modelo aprende gradualmente cómo es una retina y cuáles son sus características,» afirma Pearse Keane, oftalmólogo del Moorfields Eye Hospital NHS Foundation Trust en Londres y coautor del estudio publicado recientemente en la revista Nature. Esta característica lo convierte en un modelo fundamental, lo que significa que puede adaptarse a diversas tareas médicas.

Una ventana a la salud humana

Las retinas humanas proporcionan una ventana única a la salud de una persona, ya que son el único órgano a través del cual se puede observar directamente la red capilar, compuesta por los vasos sanguíneos más pequeños del cuerpo humano. «Si alguien padece una enfermedad cardiovascular sistémica, como la hipertensión, que potencialmente afecta a todos los vasos sanguíneos del cuerpo, podemos visualizarlo directamente en las imágenes de la retina,» explica Keane.

Además, las retinas son una extensión del sistema nervioso central y comparten similitudes con el cerebro, lo que significa que las imágenes de la retina se pueden utilizar para evaluar el tejido neural.

«El problema es que a menudo las personas no tienen la experiencia necesaria para interpretar estos escaneos, y ahí es donde entra en juego la IA.»

Pearse Keane, oftalmólogo del Moorfields Eye Hospital NHS Foundation Trust en Londres

Una vez que RETFound se entrenó en millones de imágenes retinales no etiquetadas, Keane y su equipo pudieron introducir un número reducido de imágenes etiquetadas, como 100 imágenes de personas con enfermedad de Parkinson y 100 de personas sanas, para enseñar al modelo sobre condiciones específicas. Después de aprender cómo debería ser una retina a partir de las imágenes no etiquetadas, el modelo pudo identificar con facilidad las características de la retina asociadas con una enfermedad.

El uso de datos no etiquetados para entrenar inicialmente el modelo «elimina un gran obstáculo para los investigadores», según Xiaoxuan Liu, investigador clínico especializado en innovación responsable en IA de la Universidad de Birmingham en el Reino Unido. Curtis Langlotz, radiólogo y director del Center for Artificial Intelligence in Medicine and Imaging de la Universidad de Stanford en California, coincide en que «las etiquetas de alta calidad para datos médicos son extremadamente costosas, por lo que la eficiencia de etiquetado se ha convertido en un activo valioso».

Resultados prometedores

El sistema mostró un alto rendimiento en la detección de enfermedades oculares como la retinopatía diabética. En una escala donde 0.5 representa un modelo que no funciona mejor que una predicción aleatoria y 1 representa un modelo perfecto que realiza una predicción precisa en cada ocasión, RETFound obtuvo calificaciones que oscilan entre 0.822 y 0.943 para la retinopatía diabética, dependiendo del conjunto de datos utilizado.

En cuanto a la predicción del riesgo de enfermedades sistémicas como ataques cardíacos, insuficiencia cardíaca, accidentes cerebrovasculares y la enfermedad de Parkinson, el rendimiento general fue limitado pero aún superior al de otros modelos de IA. RETFound representa hasta el momento una de las pocas aplicaciones exitosas de un modelo fundamental en la imagen médica, según Liu.

Futuras aplicaciones

Los investigadores ahora tienen la mirada puesta en la posibilidad de aplicar las técnicas utilizadas para desarrollar RETFound en otros tipos de imágenes médicas. «Será interesante ver si estos métodos se pueden aplicar a imágenes más complejas, como las resonancias magnéticas o las tomografías computarizadas, que a menudo son tridimensionales o incluso cuatridimensionales,» señala Langlotz.

Los autores del estudio han puesto el modelo a disposición del público y esperan que grupos de todo el mundo puedan adaptarlo y entrenarlo para que funcione con sus propias poblaciones de pacientes y entornos médicos.

«Potencialmente, podrían tomar este algoritmo y perfeccionarlo, utilizando datos de su propio país para tener algo más optimizado para su uso»

Pearse Keane, oftalmólogo del Moorfields Eye Hospital NHS Foundation Trust en Londres

Este avance se percibe como tremendamente emocionante, aunque Liu también advierte sobre los riesgos asociados con el uso de RETFound como base para otros modelos de detección de enfermedades. Esto se debe a que las limitaciones incorporadas en la herramienta podrían trasladarse a futuros modelos construidos a partir de ella. «Ahora depende de los autores de RETFound asegurar su uso ético y seguro, incluyendo la comunicación transparente de sus limitaciones, para que pueda ser un verdadero activo para la comunidad médica,» concluye Liu.

Vía: Nature.