Seguridad médica y salud global
Acceso abierto

abstracto

Inteligencia artificial en oftalmología: un metanálisis de modelos de aprendizaje profundo para la segmentación de vasos retinianos

Tahmina Nasrín Poly

< span style="font-family:"Times New Roman","serif"">Antecedentes y objetivo: a menudo se considera que la segmentación precisa de los vasos de la retina  ser un biomarcador confiable de diagnóstico y detección de diversas enfermedades, incluidas las enfermedades cardiovasculares, diabéticas y oftalmológicas. Recientemente, los algoritmos de aprendizaje profundo (DL) han demostrado un alto rendimiento en la segmentación de imágenes retinianas que pueden permitir diagnósticos rápidos y que salvan vidas. Hasta donde sabemos, no existe una revisión sistemática del trabajo actual en esta área de investigación. Por lo tanto, realizamos una revisión sistemática con un metanálisis de estudios relevantes para cuantificar el rendimiento de los algoritmos de DL en la segmentación de vasos retinianos. Métodos: Se realizó una búsqueda sistemática en EMBASE, PubMed, Google Scholar, Scopus y Web of Science de estudios que se publicaron entre el 1 de enero de 2000 y el 15 de enero de 2020. Seguimos los Elementos de informes preferidos para revisiones sistemáticas y metanálisis (PRISMA ) procedimiento. El diseño de estudio basado en DL era obligatorio para la inclusión de un estudio. Dos autores examinaron de forma independiente todos los títulos y resúmenes según los criterios de inclusión y exclusión predefinidos. Se utilizó la herramienta Quality Assessment of Diagnostic Accuracy Studies (QUADAS-2) para evaluar el riesgo de sesgo y la aplicabilidad. Resultados: Treinta y un estudios fueron incluidos en la revisión sistemática; sin embargo, solo 23 estudios cumplieron los criterios de inclusión para el metanálisis. DL mostró un alto rendimiento para cuatro bases de datos disponibles públicamente, logrando un área promedio bajo el ROC de 0,96, 0,97, 0,96 y 0,94 en las bases de datos DRIVE, STARE, CHASE_DB1 y HRF, respectivamente. La sensibilidad agrupada para las bases de datos DRIVE, STARE, CHASE_DB1 y HRF fue de 0,77, 0,79, 0,78 y 0,81, respectivamente. Además, la especificidad agrupada de las bases de datos DRIVE, STARE, CHASE_DB1 y HRF fue 0,97, 0,97, 0,97 y 0,92, respectivamente. Conclusión: Los hallazgos de nuestro estudio mostraron que los algoritmos de DL tenían una alta sensibilidad y especificidad para segmentar los vasos retinianos a partir de imágenes digitales de fondo de ojo. El papel futuro de los algoritmos de DL en la segmentación de vasos retinianos es prometedor, especialmente para aquellos países con acceso limitado a la atención médica. Se requieren estudios más completos y esfuerzos globales para evaluar la rentabilidad de las herramientas basadas en DL para la detección de enfermedades de la retina en todo el mundo.