Un software basado en inteligencia artificial muestra una precisión del 92 % clasificando cataratas caninas

Las cataratas se encuentran entre los trastornos oculares más frecuentes en pacientes caninos, caracterizados por la opacificación progresiva del cristalino que con frecuencia conduce al deterioro de la visión y posible ceguera, y constituyen una proporción significativa de las patologías intraoculares que se encuentran en la práctica de la oftalmología veterinaria. El diagnóstico preciso y la intervención oportuna son esenciales para preservar la función visual y la calidad de vida. Sin embargo, la complejidad de la estadificación y el tratamiento de las cataratas requiere la evaluación por parte de veterinarios experimentados para lograr resultados óptimos para el paciente.

La ecografía ocular en modo B es una técnica de imágenes ampliamente utilizada, rentable y no invasiva que proporciona imágenes transversales detalladas del ojo. Al detectar ecos reflejados desde varios tejidos oculares, esta modalidad permite a los médicos evaluar las estructuras intraoculares y retrobulbares. En consecuencia, la ecografía se ha convertido en una herramienta diagnóstica esencial para varias afecciones oftálmicas, incluidas cataratas, tumores intraoculares y desprendimiento de retina, lo que facilita diversas estrategias terapéuticas. Debido a estas ventajas, la ecografía sigue siendo indispensable en las prácticas veterinarias generales donde el acceso a modalidades avanzadas de imágenes oftálmicas y oftalmólogos especializados puede ser limitado. A pesar de su utilidad, las imágenes de ultrasonido en modo B están limitadas por artefactos acústicos y una resolución relativamente baja, lo que puede dificultar una interpretación precisa. La interpretación también sigue siendo subjetiva, ya que la precisión diagnóstica depende de la experiencia y las habilidades del examinador, a diferencia de las modalidades que ofrecen datos cuantitativos objetivos.

IA para clasificar cataratas caninas

Históricamente, el diagnóstico de cataratas mediante visión artificial dependía de la ingeniería manual de características, que era laboriosa y carecía de escalabilidad. Recientemente, las redes neuronales convolucionales (CNN), un tipo de algoritmo de inteligencia artificial, han superado estas limitaciones al aprender representaciones de características jerárquicas directamente de imágenes sin procesar, mejorando así la precisión de la clasificación y la generalización. Las CNN han demostrado un potencial notable en el análisis de imágenes médicas al extraer automáticamente características críticas de las imágenes. 

Aunque ha habido avances sustanciales en aplicaciones de IA para imágenes en clínicas veterinarias, la investigación centrada específicamente en el análisis asistido por IA de la ecografía ocular sigue siendo limitada. Un mayor desarrollo en esta área podría mejorar significativamente la precisión diagnóstica y la toma de decisiones clínicas en oftalmología veterinaria. Por lo tanto, el objetivo de un estudio realizado en Corea del Sur fue determinar si los modelos CNN podían clasificar con precisión las cataratas caninas en cuatro etapas de maduración (sin catarata, catarata cortical, catarata madura y catarata hipermadura) utilizando imágenes de ultrasonido en modo B, y evaluar exhaustivamente su rendimiento diagnóstico y aplicabilidad clínica. La cohorte incluyó 1644 hembras (52 %) y 1511 machos (48 %). Las razas más comunes fueron Maltés, Caniche, Shih Tzu y Yorkshire Terrier.

Una precisión de prueba del 92,03 %

Se utilizó un conjunto de datos de 3155 imágenes de ultrasonido (que comprenden 1329 casos sin cataratas, 614 corticales, 1033 maduras y 179 hipermaduras) para entrenar y validar cuatro modelos de aprendizaje profundo ampliamente utilizados (AlexNet, EfficientNetB3, ResNet50 y DenseNet161). DenseNet161 demostró el mejor rendimiento, logrando una precisión de prueba del 92,03 %. El trabajo reveló que el modelo alcanzó la mayor precisión para la categoría sin cataratas (99 %), seguida de las cataratas corticales (90,3 %) y maduras (86,5 %), mientras que las cataratas hipermaduras se clasificaron con menor precisión (78,6 %). La fuente más común de errores de clasificación se produjo entre las etapas cortical y madura, con 14 casos de cataratas maduras mal clasificadas como corticales y tres casos de cataratas corticales mal clasificadas como maduras. No obstante, el análisis confirmó una sólida capacidad discriminativa. 

Este estudio introdujo un modelo basado en CNN para clasificar las cataratas caninas mediante imágenes de ultrasonido ocular en modo B, demostrando una precisión considerable en cuatro categorías distintas. La aplicación del aprendizaje profundo para la detección de cataratas en medicina veterinaria “parece viable, ya que constituye una herramienta robusta para optimizar la toma de decisiones clínicas”. Además, estos hallazgos “sientan las bases para futuras investigaciones destinadas al diagnóstico de otras afecciones oculares, como el desprendimiento de retina, la degeneración vítrea, el glaucoma y diversas enfermedades de la retina”, concluyen.