Palabras clave
Redes neurales
Edema macular
Retinopatía diabética
Técnica de diagnóstico oftalmológico
Procesamiento de imagen asistida por computador Artificial intelligence
Macular edema
Neural networks
Diabetic retinopathy
Diagnostic techniques
Ophthalmological
Image processing
Computer-assisted
Cómo citar
Resumen
Introducción: El Edema Macular Diabético es una de las principales causas de ceguera legal a nivel mundial. La aplicación de sistemas basados en Redes Neuronales Artificiales puede ser de utilidad para la detección del Edema Macular Diabético, sobre todo en países en vías de desarrollo, donde existen grandes limitaciones para el acceso a un manejo especializado. Objetivo: Determinar la sensibilidad y especificidad de una prueba diagnóstica basada en una Red Neuronal Artificial para detección automática del Edema Macular Diabético en fotos de polo posterior del ojo. Metodología: Estudio transversal de prueba diagnóstica basada en una Red Neuronal Artificial, donde se evaluó la sensibilidad y especificidad en el diagnóstico del Edema Macular Diabético en fotos de polo posterior del ojo. Resultados: La Red mostró una precisión del 73.5% en la detección y clasificación del tipo de Edema, durante la etapa de entrenamiento. En etapa final, al comparar la red con el Gold Standard, tuvo sensibilidad de 61%, y especificidad de 69% (valor predictivo positivo 63% y valor predictivo negativo 67%) para la detección del edema; y sensibilidad de 70% con especificidad de 61% para la clasificación correcta del mismo (Valor predictivo positivo de 64% y valor predictivo negativo de 68%). Conclusión: La Red Neuronal Artificial mostró buen rendimiento en la detección y clasificación de Edema Macular Diabético. Esta investigación es el primer paso en la construcción de herramientas de telemedicina que puede servir de apoyo y cobertura para la detección de patologías oftalmológicas usando fotos de fondo de ojo.
Citas
Yau JWY, Rogers SL, Kawasaki R, Lamoureux EL, Kowalski JW, Bek T, et al. Global prevalence and major risk factors of diabetic retinopathy. Diabetes Care. 2012 Mar;35(3):556-64.
Shaw JE, Sicree RA, Zimmet PZ. Global estimates of the prevalence of diabetes for 2010 and 2030. Diabetes Res Clin Pract. 2010;87(1):4-14. https://doi.org/10.1016/j.diabres.2009.10.007
Lobo C, Pires I, Cunha-Vaz J. Diabetic Macular Edema. Opt Coherence Tomogr. 2012;32(2):1-21. https://doi.org/10.1007/978-3-642-27410-7_1
Saaddine JB, Honeycutt a a, Narayan K, Zhang X, Klein R, Boyle JP. Projection of diabetic retinopathy and other major eye diseases among people with diabetes mellitus: United states, 2005-2050. Arch Ophthalmol. 2008;126(12):1740-7. https://doi.org/10.1001/archopht.126.12.1740
Bursell SE, Cavallerano JD, Cavallerano AA, Clermont AC, Birkmire-Peters D, Aiello LP, et al. Stereo nonmydriatic digital-video color retinal imaging compared with Early Treatment Diabetic Retinopathy Study seven standard field 35-mm stereo color photos for determining level of diabetic retinopathy. Ophthalmology. 2001 Mar;108(3):572-85.
Wilkinson CP, Ferris FL, Klein RE, Lee PP, Agardh CD, Davis M, et al. Proposed international clinical diabetic retinopathy and diabetic macular edema disease severity scales. Ophthalmology. 2003 Sep;110(9):1677-82. https://doi.org/10.1016/S0161-6420(03)00475-5
National Library of Medicine (US). Neural Networks. MeSH Term: PubMed; 1992. p. acceso 28 de junio de 2016.
Aguirre AH. Introducción a las Redes Neuronales Artificiales. Rev Mex Ing Biomed. 2001;22(1):4-11.
Decencière et al. the Messidor database. Image Analysis & Stereology [Internet]. Feedback on a publicly distributed database. 2014. p. 231-4. https://doi.org/10.5566/ias.1155 Available from: http://www.ias-iss.org/ojs/IAS/article/view/1155
MathWorks Inc. MatLab [Internet]. 1994-2016. [cited 2015 Jun 1]. Available from: http://www.mathworks.com/academia/student_version/?s_ tid=main_sv_ML_tb
Krizhevsky A, Sutskever I, Hinton GE. ImageNet Classification with Deep Convolutional Neural Networks. Toronto: Neural Information Processing Systems (NIPS); 2012: 1097-1105.
Paulus YM, Gariano RF. Diabetic retinopathy: a growing concern in an aging population. Geriatrics. 2009 Feb;64(2):16-20.
Acharya UR, Mookiah MRK, Koh JEW, Tan JH, Bhandary S V, Rao AK, et al. Automated screening system for retinal health using bi-dimensional empirical mode decomposition and integrated index. Comput Biol Med. 2016;(75):54-62. https://doi.org/10.1016/j.compbiomed.2016.04.015
ADCIS. Methods to evaluate segmentation and indexing techniques in the field of retinal ophthalmology (MESSIDOR) [Internet]. [cited 2015 May 20]. Available from: http://www.adcis.net/en/Contact-Us/Contact-ADCIS.html
Valverde C, Garcia M, Hornero R, Lopez-Galvez M. Automated detection of diabetic retinopathy in retinal images. Indian J Ophthalmol. 2016;64(1):26. https://doi.org/10.4103/0301-4738.178140