Interpretación automatizada de la oclusión de vena retinal basada en imágenes de angiografía por fluoresceína de fondo utilizando aprendizaje profundo: Un estudio retrospectivo y multicéntrico

Propósito: La angiografía por fluoresceína de fondo (FFA) es el estándar de oro para el diagnóstico de oclusión de vena retinal (RVO). Este estudio tiene como objetivo desarrollar un sistema basado en aprendizaje profundo para diagnosticar y clasificar RVO utilizando imágenes de FFA, abordando los desafíos de interpretaciones que consumen tiempo y varían por parte de los oftalmólogos. Métodos: Se recolectaron y anotaron 4028 imágenes de FFA de 467 ojos de 463 pacientes. Se entrenaron tres modelos de redes neuronales convolucionales (CNN) (ResNet50, VGG19, InceptionV3) para generar la etiqueta de calidad de imagen, ojo, ubicación, fase, lesiones, diagnóstico e involucramiento macular. El rendimiento de los modelos se evaluó mediante exactitud, precisión, recuperación, puntuación F-1, el área bajo la curva, matriz de confusión, comparación humano-máquina y validación clínica en tres conjuntos de datos externos. Resultados: El modelo InceptionV3 superó a ResNet50 y VGG19 en el etiquetado e interpretación de imágenes de FFA para el diagnóstico de RVO, logrando una exactitud del 77.63% al 96.45% para etiquetas de información básica y del 81.72% al 96.45% para etiquetas relevantes a RVO. La comparación entre la mejor CNN y los oftalmólogos mostró una mejora de precisión de hasta el 19% con InceptionV3. Conclusión: Este estudio desarrolló un modelo de aprendizaje profundo capaz de etiquetar automáticamente múltiples y clasificaciones de imágenes de FFA para el diagnóstico de RVO. Se anticipa que el sistema propuesto sirva como una nueva herramienta para diagnosticar RVO en lugares con escasos recursos médicos.