Clasificación automática de la severidad de la retinopatía diabética mediante técnicas de Deep Learning

Abstract

La retinopatía diabética (RD) es una de las principales enfermedades crónicas discapacitantes y una de las principales causas de ceguera y discapacidad visual en los países desarrollados. Los estudios indican que el 90% de los casos pueden prevenirse mediante la detección precoz y el tratamiento adecuado. Los médicos utilizan el cribado ocular mediante imágenes de la retina para detectar las lesiones relacionadas con esta enfermedad en exámenes oftalmológicos periódicos. Debido al creciente número de personas diabéticas, la cantidad de imágenes que los oftalmólogos especialistas han de analizar manualmente se está volviendo inasequible. Además, la formación de nuevo personal para este tipo de diagnóstico basado en imágenes es larga, ya que requiere adquirir experiencia mediante la práctica diaria. En este trabajo se propone el desarrollo y evaluación de un método automático para la clasificación del grado de severidad de la RD basado en el análisis de retinografías. Dicho método permitiría identificar las imágenes que muestren signos de RD y determinar qué imágenes pertenecen a pacientes que deban ser derivados a atención especializada de forma preferente u ordinaria, según el estadio de gravedad detectado por el sistema. Para este fin, se ha empleado como clasificador una red neuronal profunda combinada con diferentes técnicas de deep learning tales como data augmentation, dropout, transfer learning y fine tuning. El método se evaluó en la base de datos pública de retinografías APTOS-2019, en tres escenarios diferentes: clasificación de la RD en cinco grados de severidad (sano, RD no proliferativa leve, RD no proliferativa moderada, RD no proliferativa severa y RD proliferativa), detección de la presencia de la RD (clasificación en sano vs RD) y clasificación en casos derivables vs no derivables. Estos escenarios se abordan habitualmente en los trabajos existentes sobre el diagnóstico de la RD. En el escenario de clasificación multiclase se ha obtenido un coeficiente kappa de 0.919, una especificidad de 96.31%, un Area Under Curve (AUC) de 0.93 y una precisión de 94.10%. Para el caso de la detección de la presencia de la RD se ha obtenido un coeficiente kappa de 0.978, una sensibilidad de 97.99%, una especificidad de 100%, un AUC de 1 y una precisión de 98.91%. Finalmente, en la detección de los casos derivables y no derivables se ha conseguido un coeficiente kappa de 0.811, una sensibilidad de 85.15%, una especificidad del 100%, un AUC de 0.97 y una precisión de 90.71%. Además, como los resultados proporcionados por los modelos basados en deep learning son difíciles de interpretar, se ha incluido un análisis de los resultados utilizando técnicas de Explainable Artificial Intelligence (XAI). En concreto, se ha utilizado SHapley Additive exPlanations (SHAP). Los resultados obtenidos permiten comprobar que es posible tanto la detección y clasificación de la RD en casos derivables y no derivables como la clasificación automática de la severidad de la RD mediante el análisis de retinografías de pacientes diabéticos. El método propuesto, por tanto, permitiría acortar el tiempo de obtención de un diagnóstico, reducir la carga de trabajo de los expertos oftalmólogos y, como consecuencia, los costes económicos asociados al tratamiento de la RD. Además, el modelo está diseñado de tal forma que se puede generalizar su posible aplicación a otros tipos de imágenes médicas y dominios de clasificación.

Diabetic retinopathy (DR) is a major chronic disabling disease and a leading cause of blindness and visual impairment in developed countries. Studies indicate that 90% of cases are preventable through early detection and appropriate treatment. Eye screening using retinal imaging is used by physicians to detect lesions related to DR. Due to the increasing number of diabetic patients, the amount of images that specialist ophthalmologists have to analyse manually is becoming unaffordable. Furthermore, the training of specialists for this type of image-based diagnosis is time-consuming, as it requires gaining experience through daily practice. This work proposes the development and evaluation of an automatic method for the classification of DR severity based on the analysis of fundus images. This method would make it possible to identify images showing signs of DR and to determine which images belong to patients who should be referred to specialised care on a preferential or ordinary basis, depending on the severity detected by the system. For this purpose, a deep neural network was used as a classifier, in combination with different deep learning techniques such as data augmentation, dropout, transfer learning and fine tuning. The method was evaluated on the APTOS-2019 public retinography database in three different scenarios: classification of DR into five severity grades (healthy, mild non-proliferative DR, moderate non-proliferative DR, severe non-proliferative DR and proliferative DR), detection of the presence of DR (classification into healthy vs. DR cases) and classification into referable vs. non-referable cases. These scenarios are commonly addressed in the existing literature related to the diagnosis of DR. In the multiclass classification scenario, a kappa coefficient of 0.919, a specificity of 96.31%, an Area Under Curve (AUC) of 0.93 and an accuracy of 94.10% were obtained. In the case of detecting the presence of DR, a kappa coefficient of 0.978, a sensitivity of 97.99%, a specificity of 100%, an AUC of 1 and an accuracy of 98.91% were obtained. Finally, in the detection of referable and non-referable cases, a kappa coefficient of 0.811, a sensitivity of 85.15%, a specificity of 100%, an AUC of 0.97 and an accuracy of 90.71% were achieved. In addition, as the results provided by deep learning-based models are difficult to interpret, an analysis of the results using Explainable Artificial Intelligence (XAI) techniques has been included. Specifically, SHapley Additive exPlanations (SHAP) have been used. The results obtained show that it is possible both to detect and classify DR in referable and non-referable cases and to automatically classify the severity of DR by analysing retinographs of diabetic patients. The proposed method would therefore shorten the time it takes to obtain a diagnosis, reduce the workload of ophthalmic experts and, as a consequence, the economic costs associated with the treatment of DR. Furthermore, the model is designed in such a way that it can be generalised to other types of medical imaging and classification domains.