Innovador método de detección de diabetes con DiaNet v2, utilizando tecnología de imágenes de retina

Innovador método de detección de diabetes con DiaNet v2, utilizando tecnología de imágenes de retina

Un reciente Informes científicos El estudio desarrolló DiaNet v2, una forma actualizada de DiaNet desarrollado anteriormente, que fue el primer modelo basado en aprendizaje profundo para diagnosticar diabetes mediante imágenes de retina.

Estudio: Método basado en el aprendizaje profundo DiaNet v2 para el diagnóstico de diabetes mediante imágenes de retina.  Haber de imagen: LALAKA/Shutterstock.comEstudiar: Método basado en aprendizaje profundo DiaNet v2 para el diagnóstico de diabetes mediante imágenes de retina. Haber de imagen: LALAKA/Shutterstock.com

Fondo

La diabetes mellitus (DM) es un trastorno metabólico asociado con morbilidad y mortalidad a largo plazo.

Hay dos tipos de DM, a saber, DM tipo 1 (DM-1) y DM tipo 2 (DM-2). En comparación con la DM-1, la DM-2 es más común en todo el mundo.

Millones de personas en todo el mundo se ven afectadas por la diabetes y se espera que esta cifra alcance los 136 millones en 2045. La detección temprana de esta enfermedad metabólica tiene un impacto significativo en el tratamiento y la prevención.

Para detectar la diabetes se realizan varias pruebas, como la glucemia aleatoria (RPG), la glucemia en ayunas (FPG), las pruebas de tolerancia oral a la glucosa (OGTT) y la hemoglobina A1c (HbA1c).

Cabe señalar que se identificaron varias limitaciones para cada una de las pruebas antes mencionadas. Por ejemplo, las pruebas de FPG tienen menor sensibilidad y un informe de la Organización Mundial de la Salud indica que la FPG omitió alrededor del 30% de los diagnósticos de diabetes.

Los resultados de HbA1c también se ven afectados por diferentes tipos de anemia o hemoglobinopatía, lo que podría afectar el diagnóstico.

Teniendo en cuenta las limitaciones de los métodos de detección de diabetes disponibles y su alta tasa de prevalencia, es importante desarrollar un método alternativo y rentable con mayor precisión y sensibilidad.

Estudios anteriores han detectado varios métodos alternativos para detectar la diabetes, incluido el uso de imágenes de retina, electrocardiografía (ECG) y pruebas de respiración.

Como se mencionó anteriormente, DiaNet ya se había desarrollado como un método alternativo para detectar la diabetes.

Este modelo basado en aprendizaje profundo detectó el trastorno metabólico utilizando imágenes de la retina y mostró un 84% de precisión para distinguir a los individuos diabéticos de los no diabéticos.

Sobre el estudio

Este estudio utilizó grandes cohortes del Qatar Biobank (QBB) y Hamad Medical Corporation (HMC), el mayor proveedor de atención médica de Qatar, para mejorar la capacidad de predicción de la diabetes de DiaNet.

DiaNet v2 se desarrolló a partir de más de 5.000 imágenes de retina. Vale la pena señalar que el modelo DiaNet v2 basado en VGG-11 propuesto exhibió un rendimiento superior en comparación con DenseNet-121, ResNet-50, EfficientNet y MobileNet_v2. La red VGG-11 fue entrenada con ImageNet, incluyendo una salida de 1.000 neuronas en su capa final.

Para todos los experimentos se utilizó una estación de trabajo compuesta por un Intel(R) Core(TM) i7-127.00KF de 12.ª generación, con 128 GB de RAM y una GPU GeForce RTX 3090.

En comparación con DiaNet v1, DiaNet v2 se entrenó utilizando el conjunto de datos combinado de QBB y HMC.

Resultados del estudio

En total, se obtuvieron 15.011 imágenes, incluidas 7.515 imágenes de diabéticos y 7.496 de no diabéticos o controles sanos.

El nuevo modelo logró más del 92 % de precisión al diferenciar a las personas con diabetes del grupo de control sano, un logro significativo en comparación con el modelo anterior.

El rendimiento de DiaNet v2 se validó utilizando el conjunto de datos a gran escala HMC y QBB, lo que confirmó además que las imágenes de retina son una fuente excelente para detectar diabetes.

Las imágenes de retina en el conjunto de datos QBB carecían de información sobre patologías oculares y preexistentes. Para llenar este vacío de datos, se integraron los datos del HMC, ya que contenían información relevante documentada por oftalmólogos.

Las imágenes de retina de personas con diabetes mostraron diversas patologías, como hemorragia vítrea y microaneurisma, consecuencia de la diabetes.

Un ojo diabético también desarrolla retinopatía diabética no proliferativa leve (NPDR), una etapa temprana de la retinopatía diabética (RD). La cohorte del estudio también incluyó imágenes de ojos no diabéticos con glaucoma.

Estas imágenes se utilizaron para entrenar la versión estratificada por sexo de DiaNet v2. Curiosamente, se observó una mayor precisión en la detección de la diabetes en las participantes femeninas.

Los estudios futuros deben abordar esta disparidad de género para obtener un modelo superior para la detección de diabetes, independientemente de las diferencias de género.

El análisis estratificado por edad reveló una mayor precisión del VGG-11 en todos los grupos de edad; sin embargo, la mayor precisión se logró en los grupos de edad entre 18 y 39 años, seguidos por los grupos de edad de 40 y 59 años.

El rendimiento del modelo DiaNet v2 se vio obstaculizado en el grupo de edad de 60 a 90 años debido al tamaño más pequeño del grupo de control. Este hallazgo refleja la importancia de un conjunto de datos equilibrado para realizar pronósticos precisos.

Un análisis CAM (Class Activation Map) indicó las regiones de la imagen de la retina que influyen en las predicciones del modelo DiaNet v2. Estas regiones están asociadas con la mácula, el disco óptico y áreas relacionadas con el desarrollo de la RD.

El análisis CAM reveló patologías sistemáticas, como cardiopatía isquémica, hipertensión y diabetes.

Conclusiones

El estudio actual indicó el potencial de los modelos de aprendizaje profundo basados ​​en imágenes de retina en el diagnóstico de diabetes.

El modelo diaNet v2 podría utilizarse como una herramienta eficaz, alternativa, fiable y no invasiva para diagnosticar la diabetes. En el futuro, se deberían implementar enfoques multimodales para mejorar el rendimiento del modelo, que deberían validarse antes de utilizarse en el mundo real.

Leave a Comment

Your email address will not be published. Required fields are marked *