Deep learning aplicado al diagnóstico y derivación de patología retiniana

• Autores: I. Roberts Martínez-Aguirre, Yrbani Lantigua Dorville
• Localización: MPG Journal, ISSN-e 2171-9020, Vol. 2, Nº. 41, 2018 (Ejemplar dedicado a: Validez del TAC coronario 5 años)
• Idioma: español
• Enlaces
  • Texto completo
• Resumen
  • español

    El volumen y la complejidad del diagnóstico por imagen estáncreciendo a un ritmo más rápido que la capacidad de los expertos de interpretarla. La inteligencia artificial ha demostrado ser una gran promesa en la clasificación de imágenes bidimensionales,basándose en grandes bases de datos para el reconocimiento y clasificación de algunas enfermedades comunes. Hasta ahora no existían estudios de deep learningbasados en imágenes tridimensionales de tomografía de coherencia óptica. Aquí aplicamos un sistema de deep learningcapaz de interpretar imágenes tridimensionales tomográficas para decidir la derivación de enfermedades amenazantes para la visión, y parecesuperar en precisión a los expertos.

  • English

    The volume and complexity of diagnostic imaging is increasing at a pace faster than the availability of human expertise to interpret it. Artificial intelligence has shown great promise in classifying two-dimensional photographs of some common diseasesand typically relies on databases of millions of annotated images. Until now, the challenge of reaching the performance of expertclinicians in a real-world clinical pathway with three-dimensional diagnostic scans has remained unsolved. Here, we apply anovel deep learning architecture to a clinically heterogeneous set of three-dimensional optical coherence tomography scansfrom patients referred to a major eyehospital. We demonstrate performance in making a referral recommendation that reachesor exceeds that of experts on a range of sight-threatening retinal diseases.