Los modelos de aprendizaje profundo entrenados con imágenes de fondo de ojo y datos clínicos pueden predecir si los ojos con sospecha de glaucoma normotensivo (GS) realmente se convertirán en glaucoma de tensión normal (NTG), según un estudio publicado en línea el 2 de noviembre en el British Journal of Ophthalmology.
Ahnul Ha, M.D., de la Universidad Nacional de Jeju en Corea del Sur, y sus colegas revisaron conjuntos de datos de 12,458 ojos GS para evaluar el rendimiento de los modelos de aprendizaje profundo en la predicción de la conversión a NTG. Se incluyeron un total de 210 ojos (105 ojos con conversión a NTG y 105 sin conversión) y se les dio seguimiento por un mínimo de siete años o más, durante los cuales la presión intraocular (IOP) fue inferior a 21 mm Hg. Se extrajeron las características de dos imágenes de fondo de ojo; junto con 15 características clínicas, fueron utilizadas para predecir la conversión a NTG. Tres clasificadores de aprendizaje automático (XGBoost, Random Forest y Gradient Boosting) se utilizaron para realizar la predicción.
Los investigadores encontraron que se logró una alta precisión diagnóstica para la predicción de conversión a NTG con los tres algoritmos. Las áreas bajo la curva variaron de 0.987 (Random Forest entrenado con imágenes de fondo de ojo y características clínicas) a 0.994 (XGBoost entrenado con imágenes de fondo de ojo y características clínicas). Para el tiempo hasta la conversión a NTG, el mejor rendimiento de predicción se observó para XGBoost (error cuadrático medio, 2.24). Para la predicción del tiempo hasta la conversión, las tres características clínicas más importantes fueron la IOP basal, la presión arterial diastólica y el grosor medio de la capa de fibras nerviosas retinianas circumpapilares.
"Nuestros resultados sugieren que los modelos de aprendizaje profundo que han sido entrenados con imágenes oculares y datos clínicos tienen el potencial de predecir la progresión de la enfermedad en pacientes con GS", escriben los autores.
