Inteligencia Artificial para la Retinopatía Diabética
Introducción
La diabetes es una enfermedad crónica con alta prevalencia global. En 2019, aproximadamente 463 millones de adultos entre 20 y 79 años vivían con diabetes, cifra que podría alcanzar los 600 millones para 2040. En China, la prevalencia en adultos aumentó del 9,7% en 2010 al 12,8% en 2018. Esta enfermedad causa daños en nervios, vasos sanguíneos y múltiples sistemas. La retinopatía diabética (RD) es una complicación principal: globalmente, el 34,6% de pacientes diabéticos padece RD, con un 10,2% presentando deterioro visual. En China, el 18,45% de diabéticos desarrolla RD, proporción que aumenta con la duración de la enfermedad. Datos similares se observan en India (17,6%) y Estados Unidos (33,2%). La RD es progresiva y constituye la principal causa de ceguera en población en edad laboral.
En etapas iniciales, la RD es asintomática, lo que lleva a muchos pacientes a descuidar exámenes oftalmológicos hasta fases avanzadas, donde la recuperación visual es limitada. La detección temprana es crucial. Las características patológicas incluyen microaneurismas, hemorragias intraretinianas, exudados y neovascularización. Según su gravedad, se clasifica en: sin RD aparente, RD no proliferativa leve (RDNP), moderada, severa y RD proliferativa (RDP). El edema macular diabético (EMD), asociado a acumulación de líquido en la mácula, puede ocurrir en cualquier etapa y amenazar la visión. Su gradación es independiente (leve, moderado o severo).
El diagnóstico utiliza oftalmoscopia, biomicroscopía con lente de contacto, fotografía de fondo de ojo (FFO), tomografía de coherencia óptica (OCT), angiografía fluoresceínica y ultrasonido B. La FFO es estándar para cribado, mientras la OCT, aunque costosa, ofrece imágenes detalladas.
Estado actual del cribado de la retinopatía diabética
La Academia Americana de Oftalmología recomienda exámenes anuales: a los cinco años del diagnóstico en diabetes tipo 1 y desde el diagnóstico en tipo 2. En Reino Unido, un programa nacional iniciado en 2003 logró cribar al 82,8% de 2.590.082 pacientes entre 2015-2016, reduciendo la ceguera por RD. No obstante, el cumplimiento es deficiente: en EE. UU., casi la mitad de 298.393 pacientes con diabetes tipo 2 sin RD no se examinaron en cinco años, y solo el 15,3% siguió recomendaciones bianuales. Factores como desconocimiento de la enfermedad, acceso limitado a recursos médicos y cobertura insuficiente explican esta situación. Estudios indican que pacientes con RD severa, visión deteriorada y mal control glucémico tienen mejor adherencia al cribado.
La telemedicina mejora la accesibilidad. En Singapur, el programa SiDRP permite evaluaciones remotas de fondo de ojo, reduciendo costos. Sin embargo, aún depende de profesionales para clasificar imágenes. La inteligencia artificial (IA) surge como alternativa prometedora para optimizar eficiencia y cumplimiento.
IA en el cribado de la retinopatía diabética
El concepto de IA fue propuesto por McCarthy en 1956, seguido por el aprendizaje automático (AA) de Arthur Samuel en 1959. El aprendizaje profundo (AP), rama del AA basada en redes neuronales multicapa, es ideal para procesar imágenes. Las redes neuronales convolucionales (CNN), como AlexNet, VGGNet y ResNet, son modelos comunes. El aprendizaje por transferencia, que adapta modelos entrenados en dominios fuente a dominios objetivo, permite generalizar con muestras pequeñas.
La IA se aplica en radiología, dermatología y oftalmología, ayudando en diagnóstico de RD, glaucoma y degeneración macular. En 2018, la FDA aprobó IDx-DR, primer software de IA para RD, que analiza imágenes de fondo de ojo y clasifica su severidad. Otros sistemas como EyeArt, Retmarker DR y Airdoc también han sido aprobados.
Las ventajas incluyen alta eficiencia, precisión y reducción de demanda de personal. Retmarker disminuye un 48,42% la carga de clasificación manual. Estos sistemas permiten cribados en centros de atención primaria, mejorando accesibilidad.
Desarrollo de sistemas de diagnóstico basados en IA para RD
El desarrollo requiere dividir conjuntos de datos en entrenamiento, validación y prueba, sin superposición. El conjunto de entrenamiento debe incluir imágenes etiquetadas por oftalmólogos. Según guías chinas, debe contener imágenes de al menos dos instituciones médicas, incluyendo otras patologías retinianas. El conjunto de prueba requiere al menos 5000 imágenes FFO, representando diversas etapas de RD.
Sistemas como IDP, IDx-DR y EyeArt han mostrado resultados variables. IDx-DR, basado en CNN, logra sensibilidad del 87,4% y especificidad del 89,5%. EyeArt, compatible con smartphones, alcanza sensibilidad del 95,3% en detección remota. Los algoritmos de Google permiten ajustar umbrales para equilibrar sensibilidad y especificidad.
La FFO tiene limitaciones para detectar EMD. La OCT, combinada con IA, muestra mayor precisión en identificar EMD, con valores de AUC superiores a 0,95. No obstante, su acceso sigue siendo limitado en áreas con recursos escasos.
Limitaciones en la aplicación clínica
Persisten desafíos: 1) Conjuntos de datos en línea (Messidor, EyePACS) pueden no representar imágenes reales, causando errores. 2) Falta de estándares unificados para evaluar algoritmos. 3) El fenómeno de «caja negra» dificulta la transparencia en decisiones de IA. 4) Atribución de responsabilidad en errores diagnósticos. 5) Fiabilidad reducida en casos con cataratas u opacidades de medios. 6) Preocupaciones sobre seguridad informática en cribados masivos. 7) La mayoría de sistemas se centran en una sola enfermedad, limitando su utilidad integral.
Conclusiones y perspectivas
La IA ofrece avances significativos en cribado y diagnóstico de RD. Futuras direcciones incluyen: 1) Sistemas basados en dispositivos portátiles (smartphones) para cribado domiciliario, relevante en contextos como la pandemia COVID-19. 2) Integración de técnicas avanzadas (imagen multiespectral, OCT) para mayor precisión. 3) Sistemas de diagnóstico asistido que apoyen a oftalmólogos en decisiones clínicas.
Para maximizar su potencial, se requiere: mejorar la representatividad de datos, establecer estándares de evaluación, garantizar explicabilidad de algoritmos y fortalecer seguridad. La combinación de IA con clasificación manual podría ser el enfoque más realista en etapas iniciales de implementación clínica.
doi.org/10.1097/CM9.0000000000001816