La inteligencia artificial (IA) puede contener las respuestas a algunos de los mayores desafíos en optometría.

Según Nahida Akter, PhD; Jack Phu, DO, PhD, FAAO; y Christopher Clark, OD, PhD, en la reunión de la Academia Americana de Optometría de 2019 en Orlando, la inteligencia artificial (IA) puede contener las respuestas a algunos de los mayores desafíos en optometría.

La investigación está explorando cómo las redes neuronales convolucionales modificadas (CNN) pueden analizar patrones y datos para clasificar el glaucoma en base a imágenes de tomografía de coherencia óptica (OCT) sin procesar.

Este proceso evaluó 410 imágenes OCT sin procesar de capas de retina temporal-superior-nasal-inferior-temporal (TSNIT) en pacientes con glaucoma y sin glaucoma.

«Creo que todas las capas tienen algunos beneficios», dice el Dr. Akter.

Cada capa contribuye a la CNN basada en transferencia de aprendizaje, creando un perfil más detallado de capas retinianas que podrían ayudar a los OD en las imágenes clínicas.

El glaucoma de ángulo cerrado es un problema importante de salud pública. La gonioscopia es el estándar de oro para evaluar la enfermedad del espectro de ángulo cerrado, pero la herramienta tiene sus limitaciones.

«Es altamente intensivo en habilidades y altamente subjetivo entre los médicos», dice el Dr. Phu.

Y si bien el glaucoma de ángulo cerrado es la única forma de glaucoma que se puede prevenir, el éxito depende de un diagnóstico temprano a través de la clasificación por gonioscopia.

Los resultados mostraron que, si bien las evaluaciones AS-OCT fueron algo confiables para identificar el continuo del cambio en los ángulos abiertos al cierre, hubo errores significativos cuando no se disponía de información gonioscópica previa.

Aunque existe la posibilidad de una mayor integración de los modelos de inteligencia artificial para distinguir entre ángulos abiertos y cerrados, la gonioscopia sigue siendo el estándar de oro para clasificar la enfermedad de ángulo cerrado.

poder de la computación ha avanzado hasta el punto en que los OD pueden explorar formas más avanzadas de diagnosticar y controlar la diabetes a través del aprendizaje automático. En particular, existen aplicaciones para medir los cambios subclínicos en la arquitectura retiniana, basados ​​en los niveles de HA1c, que pueden indicar enfermedad.

«Podemos monitorear los cambios en la retina antes de que las personas tengan retinopatía», dice el Dr. Clark.

Para hacerlo, los investigadores aplicaron varios modelos de entrenamiento basados ​​en 8,760 imágenes OCT de dominio espectral (SD), todas tomadas de personas con diabetes. Los conjuntos de datos se analizaron y aplicaron a cada modelo junto con los datos de HA1c de cada paciente.

Los resultados mostraron que el modelo elegido, KNN, fue efectivo para medir las discrepancias en los datos, examinando temas como la distancia capilar y el espacio para detectar la retinopatía. El modelo fue capaz de predecir la incidencia de la enfermedad incluso con niveles relativamente bajos de HA1c, lo que indica que puede existir la posibilidad de una aplicación clínica adicional.

«Creo que los profesionales de la salud visual necesitarán algún tipo de IA, sistema de detección computarizado para el diagnóstico y monitoreo para el clínico promedio», concluyó.