Los sistemas de clasificación de la catarata han evolucionado con el fin de caracterizar más apropiadamente la opacidad del cristalino. Desde la aparición del sistema LOCS (Lens Opacities Classification System) por su sigla en inglés, hasta el LOCS III que aún se usa actualmente, la clasificación clínica de catarata Oxford y el método de “American Cooperative Cataract Research Group”. Con el tiempo, la clasificación de la catarata es un aspecto que llama aún más la atención de los investigadores, puesto que permite un mejor diagnóstico clínico y ayuda a obtener datos más confiables en una investigación. Adicionalmente, es una herramienta que incrementa la comunicación entre el profesional y el paciente, brindando información más comprensible acerca del diagnóstico, tratamiento, y pronóstico de la catarata. Por otro lado, le permite al profesional hacer un mejor monitoreo de la progresión de la patología a través del tiempo.1,2
Así como los sistemas de clasificación se perfeccionan, la tecnología, especialmente de sistemas va a la par, es por esto que muchos trabajos científicos se basan en el desarrollo de redes neuronales. El avance ha sido tal, que se está hablando de aprendizaje automático, que, entre sus miles de aplicaciones, está la práctica clínica. El aprendizaje profundo o “Deep learning” y las redes neuronales convulcionales (CNN), son un conjunto de aprendizaje automático, que se basa por ejemplo en el análisis de imágenes. Todo es posible a la organización de las redes neuronales convulcionales en múltiples capas, que permite abordar para el sistema tareas complejas. En el caso de varias situaciones clínicas, las CNN han mostrado un rendimiento y eficacia muy superiores, si se comparan con los algoritmos clásicos de aprendizaje automático; incluso, han tenido igual certeza que la mostrada por la experticia clínica.3
El desarrollo de estos sistemas complejos se inspiró en la función neurobiológica, en la forma como el cerebro procesa la información; por esto, los modelos de redes neuronales profundas se han convertido en una herramienta poderosa de aprendizaje automático y de inteligencia artificial, basada en el análisis de múltiples datos.4
Retomando el tema de la catarata, Zang et al 2019, diseñó un método automático para determinar el grado de catarata basado en el aprendizaje profundo. El proceso es bastante complejo: en primer lugar, propuso un sistema de clasificación en 6 grados para más exactitud, basado en la imagen del fondo de ojo. En su desarrollo, utilizó un sistema de extracción de múltiples funciones y conjunto de modelos. Para la extracción y caracterización, aplicó una red residual, que consiste en una amplia información semántica, sin tener información de forma específicamente. Terminando la configuración, adoptó un algoritmo de apilamiento. Posteriormente, usó dos máquinas de vectores de soporte que se utilizan como aprendices básicos, y se articulan en el metaaprendizaje de las capas interconectadas de la CNN, para que se pueda dar interpretación al tipo de catarata.5
La base de datos constó de 1352 imágenes así: 487 para no catarata, 317 para sutilmente leve, 124 para leve, 154 para moderado, 135 inicio de severo, y 135 para severo. La fase de textura se basa en la característica específica de la homogeneidad de la imagen; para ello se usó la Matriz de Co-concurrencia de Nivel Gris (GLCM) por su sigla en inglés, la cual analiza ángulos y distancias de píxeles que analiza información general en términos de dirección, espaciado, amplitud y grado de cambio entre una y otra. Una vez se obtienen las 6 GLCM del fondo de ojo, se extraen seguido 6 características: segundo momento angular, entropía, momento inverso, correlación, contraste y energía; así se obtuvieron 72 dimensiones de textura dimensional. En la siguiente fase de agrupación, se integran las características extraídas del módulo residual de la fase de textura y se formula la interconexión profunda, generando 512 características dimensionales.5
El siguiente paso, es el uso de la máquina de vectores de soporte (SVM por su sigla en inglés), que es un modelo de aprendizaje supervisado por algoritmos de aprendizaje asociados para analizar datos y emitir clasificación y regresión de patrones. Posteriormente, se construye un modelo algorítmico de entrenamiento para mejorar los patrones de clasificación, a través de un clasificador lineal binario no probabilístico. Finalmente, el sistema se somete a la red neuronal de metaaprendizaje de capas completamente interconectadas de la red neuronal convulcional (FCNN), lo que permitirá dar como resultado el nivel predictivo de la clasificación de la catarata. Ver figura 1
PIE DE FOT: Figura 1. Proceso detallado del sistema de fusión de múltiples funciones basadas en apilamiento: Se observan las fases de característica de textura (72 características dimensiones) y alto nivel (512 características dimensiones). Luego se someten a las máquinas de vectores de soporte, (SVM1 y SVM2), de ahí se genera una probabilidad de clasificación, se somete al meta aprendizaje (FCNN) y el resultante es el nivel predictivo de catarata.
Zhou et al 2020, desarrolló un sistema de clasificación de cataratas a través de redes neuronales de aprendizaje profundo, al igual que el caso anterior, utilizó una red neuronal de parámetros discretos. Considerando que la catarata genera una imagen borrosa del fondo de ojo, dividió la imagen original en 4×4 subáreas de superposición, eliminando las imágenes de la esquina por considerarlas de poco valor de análisis y su probabilidad de error, quedando finalmente 12 imágenes útiles, en 3 tamaños diferentes. Así la red definirá el grado promediando las 12 subáreas de una sola imagen. También determinó que el uso de redes neuronales discretas tiene la ventaja de tener menos memoria de almacenamiento y pueden evitar el sobre ajuste para conjuntos de entrenamiento pequeños. Ver figura 2.
PIE DE FOTO: Figura 2. Ejemplo de segmentación de imagen: a la izquierda, foto original, a la derecha, 12 cuadros útiles segmentados.2
CONCLUSIÓN
Las redes neuronales abren el camino para el diagnóstico avanzados de entidades clínicas que permitirá ampliar la cobertura de la atención, desarrollar investigación más rigurosa y confiable y dar mayor seguimiento clínico a los pacientes.
REFERENCIAS
- Gali HE, Sella R, Afshari NA. Cataract grading systems: A review of past and present. Curr Opin Ophthalmol. 2019;30(1):13–8.
- Zhou Y, Li G, Li H. Automatic Cataract Classification Using Deep Neural Network with Discrete State Transition. IEEE Trans Med Imaging. 2020;39(2):436–46.
- Chassagnon G, Vakalopolou M, Paragios N, Revel MP. Deep learning: definition and perspectives for thoracic imaging. Eur Radiol. 2020;30(4):2021–30.
- Kriegeskorte N, Golan T. Neural network models and deep learning. Curr Biol [Internet]. 2019;29(7):R231–6. Available from: http://dx.doi.org/10.1016/j. cub.2019.02.034
5. Zhang H, He Z. Automatic cataract grading methods based on deep learning. Comput Methods Programs Biomed [Internet]. 2019;182:104978. Available from: https://doi.org/10.1016/j.cmpb.2019.07.006