La retinopatía diabética (RD) es una complicación microvascular importante de la diabetes y una de las principales causas de ceguera prevenible en todo el mundo, lo que requiere soluciones diagnósticas automatizadas precisas y tempranas. Los enfoques recientes basados en el aprendizaje profundo han mostrado resultados prometedores en la detección de RD; sin embargo, la mayoría de los métodos existentes se centran únicamente en la clasificación de la enfermedad y carecen de interpretabilidad a nivel de lesiones, limitando la robustez y la fiabilidad clínica. Para abordar estos desafíos, este estudio propone un marco de aprendizaje multitarea denominado MTL-DRNet para la clasificación de la retinopatía diabética y la segmentación de lesiones a partir de imágenes de fondo de retina. La arquitectura propuesta emplea un tronco convolucional compartido para aprender representaciones comunes, seguido de ramas específicas para la clasificación de la gravedad de la RD y la segmentación de lesiones a nivel de píxel. Una función de pérdida multitarea unificada optimiza conjuntamente ambos objetivos, permitiendo el aprendizaje coordinado de características globales y a nivel de lesiones. La evaluación experimental realizada en un conjunto de datos público de retinopatía diabética demuestra que MTL-DRNet supera significativamente a modelos de tarea única, basados en lesiones, en conjunto y guiados por atención en métricas de rendimiento estándar. El modelo propuesto logró una precisión del 96.2% y un AUC de 0.98, destacando su robustez y efectividad diagnóstica. En general, MTL-DRNet ofrece una solución interpretable, precisa y clínicamente significativa para el cribado automatizado de retinopatía diabética y apoyo a la decisión.
Jaganathan et al. (Thu,) estudiaron esta cuestión.