Estado actual de

la IA en
oftalmología
POR: ALEJANDRO CÁRDENAS
UNIVERSIDAD DEL QUINDÍO
PROGRAMA DE FÍSICA
ASIGNATURA: SEMINARIO DE INVESTIGACIÓN
Contenidos:

- Machine Learning
- Deep Learning
- Aplicaciones en
oftalmología
Machine Learning:

En 1959, Arthur Samuel uno de sus pioneros lo

definió como ¨campo de estudio que a los
computadores la habilidad de aprender sin ser
explícitamente programados¨
Los programas de Machine Learning son diferentes
a los programas básicos porque pueden modificar
los parámetros de sus algoritmos cuando se
exponen a mayor información
Algunas aplicaciones:

El automóvil de conducción autónoma de Google tan

publicitado? La esencia del Machine Learning
¿Ofertas de recomendación en línea como las de Amazon y
Netflix? Aplicaciones de machine Learning para la vida diaria.
¿Saber lo que los clientes dicen acerca de usted en Twitter?
Machine learning combinado con creación de reglas
lingüísticas.
¿Detección de fraudes? Uno de los usos más obvios e
importantes en nuestro mundo hoy día.
Deep Learning:

Es un subconjunto del machine learning y es una técnica para aprender

características y tareas de la información que se le presenta.

El adjetivo Deep hace referencia a las múltiples capas de algoritmos por las
que es procesada la información durante el proceso de computo, las cuales
forman una red neuronal.

Las redes neuronales son conjuntos de algoritmos inspirados por la

conectividad neuronal en el cerebro humano que son diseñadas para
reconocer patrones tales como una línea vertical en una imagen. De este
modo el Deep Learning se refiere a un conjunto poderoso de técnicas para
aprender a través de las redes neuronales. En estas se procesa la
información en múltiples pasos haciéndose un reconocimiento to de
modelos para producir una respuesta. Por ejemplo un programa puede
reconocer un gato en una imagen nueva después de haber sido entrenado
por un conjunto de imágenes que contienen gatos.
Cada paso en Deep Learning permite al programa aprender
continuamente y evaluar su progreso en la búsqueda de su objetivo.
En el ejemplo del gato, cada paso en las capas de redes permite al
programa evaluar una imagen y compararla con características
aprendidas de imágenes previas de gatos.

El Deep Learning difiere del machine Learning en que las múltiples

capas de códigos en el programador requieren que el programador
identifique explícitamente características especificas en una imagen
porque el programa aprende autónomamente basado en los
parámetros de sus algoritmos del conjunto de datos de
entrenamiento, de cualquier modo requerirá de un conjunto mayor
de datos de entrenamiento. Las redes neuronales pueden recibir datos
positivos y negativos de entrenamiento de modo que al presentársele
una nueva imagen decir a que tipo pertenece. En medicina se usan
las redes neuronales convolucionales CNN la cual es una red neuronal
capaz de reconocer imágenes y clasificarlas
Dadas las potenciales aplicaciones de
las redes neuronales estas están siendo
exploradas por muchas grandes
compañías de tecnología como Google
que compró el sistema Alpha Go a la
compañía Deep Mind el cual es bien
conocido por haber batido al campeón
del mundo de Go Lee Sedol en 2016
APLICACIONES EN OFTALMOLOGIA:

Degeneración macular relacionada con la edad: Venhizen

y colegas demostraron el uso de un programa de Machine
Learning para valorar la severidad de AMD basados en OCT
scans con una sensibilidad de 98,2% y especificidad de
91,2%

Burlina y colegas desarrollaron una gradación automática

para AMD de imágenes de fondo de color usando Deep
Learning CNN, con resultados comparables a los expertos
humanos.
Retinopatía de pre madurez:

Mazzaferri y colegas desarrollaron un programa de

Machine Learning que automatiza los cálculos
engorrosos para contar el numero de preretinal tuft y
zonas vasculares. Del mismo modo Xiao y colegas
desarrollaron y entrenaron una red neuronal Deep
Learning para cuantificar el área de neovasculación y
otro tipo de valores claves en modelo de retinopatía
de oxigeno inducido.
Glaucoma:

Li colegas evaluaron recientemente un programa de Deep Learning para

detectar neuropatía óptica de glaucoma con alta sensibilidad y especificidad,
95,6% y 92% respectivamente.

Cataratas:
Long y colegas desarrollaron un programa de Deep Learning para detectar
cataratas congénitas. El conjunto de imágenes para el entrenamiento fue de 410
de CC de severidad variable y 476 imágenes de ojos de niños normales. Se
comparo el desempeño con oftalmólogos en forma individua con diferentes
niveles de competencia. Usando imagenes de 50 casos que involucraban varios
casos clínicos desafiantes. El programa detecto satisfactoriamente todos los
pacientes potenciales sobre los 50 casos, tuvo 9 falsos positivos y 4 detecciones
fallidas. La valoración por oftalmólogos tuvo los siguientes resultados: el experto
tuvo 5 falsos positivos 11 detecciones fallidas, el competente tuvo 11 falsos
positivos y fallo 8 detecciones y el novato tuvo 12 falsos positivos y 20 detecciones
fallidas-
Oncología Ocular:

Kaiserman y colegas desarrollaron una red neuronal que predice la

prognosis, específicamente de mortalidad de 5 años de pacientes
con melanoma coroidal y es una herramienta útil en la toma de
decisiones durante el tratamiento.

Limitaciones de AI en medicina:

Perdida de la habilidad de los médicos para tomar decisiones

informadas y formarse opiniones basadas en signos y síntomas
detectables

Los programas se manejan solo por interpretación de datos y con

frecuencia no pueden incorporar el contexto clínico que es una
variable que puede afectar notablemente las predicciones.