Análisis de retinografías para la ayuda al diagnóstico de la Degeneración Macular Asociada a la Edad (DMAE)

Abstract

La Degeneración Macular Asociada a la edad (DMAE) representa el 8.7% de ceguera en todo el mundo, siendo la causa más común en los países desarrollados en individuos mayores de 60 años. De acuerdo con el informe global sobre la salud ocular, publicado por la Organización Mundial de la Salud en el año 2019, se estima que la prevalencia de la DMAE experimentará un aumento del 20% entre 2020 y 2030. El envejecimiento sistemático y acelerado de la población, junto con la estrecha relación existente entre la edad y la DMAE, augura que estas cifras seguirán creciendo con el paso del tiempo. Con el objetivo de evitar las complicaciones más graves de la DMAE, es sumamente importante abordarla en sus primeras etapas. Para este propósito, los exámenes oftalmológicos de screening constituyen una herramienta esencial. En estos exámenes se utilizan diversas técnicas para capturar imágenes de la retina de los pacientes, siendo la retinografía una de las más baratas y accesibles. Posteriormente, dichas imágenes son revisadas por parte de los especialistas en busca de signos de la enfermedad. Debido a su creciente incidencia, el número de imágenes que deberá revisarse será cada vez más elevado. Esto, unido a la escasez de oftalmólogos, hace que sea cada vez más complicado obtener un diagnóstico rápido y preciso de la enfermedad. En este trabajo se propone un método automático basado en Machine Learning para la detección de la DMAE mediante el análisis de retinografías. Para ello se empleó la base de datos pública Automatic Detection Challenge on Age-related Macular degeneration (ADAM), que contiene 400 retinografías de pacientes sanos y con DMAE. Dicha base de datos se dividió en un conjunto de entrenamiento con 300 imágenes y un conjunto de test con 100 imágenes. El método desarrollado se dividió en diferentes etapas. En primer lugar, se llevó a cabo una etapa de preprocesado para mejorar el contraste de las imágenes mediante la aplicación del algoritmo Contrast-Limited Histogram Equalization (CLAHE). A continuación, se seleccionó una región de interés para enfocar las imágenes y eliminar elementos innecesarios como el fondo. Posteriormente, se llevó a cabo una fase de extracción de características de las imágenes. En ella, se emplearon características basadas en color, estadísticos texturales e histogramas de gradiente orientados. De entre todas las características extraídas, se seleccionaron aquellas más relevantes para la clasificación de la presencia o ausencia de DMAE empleando el algoritmo Fast Correlation Based Filter (FCBF). Finalmente, se llevó a cabo una etapa de clasificación en la que se entrenó un clasificador basado en Ensemble Methods formado por arboles de decisión. En cuanto a los resultados sobre el conjunto de test, se alcanzó un 55.1% de sensibilidad, 91.5% de especificidad, 91.2% de precisión, 72.7% de valor predictivo positivo (VPP), 83.3% de valor predictivo negativo (VPN) y 62.5% en la métrica F1. Además, se obtuvo la curva ROC y se calculó el área bajo la curva (Area Under ROC Curve, AUC), que alcanzó un valor de 0.86. Finalmente se calculó la matriz de confusión, con el fin de dar una visión más detallada de los resultados del método propuesto. Los resultados obtenidos indican que es posible llevar a cabo la detección de la DMAE de forma precisa mediante el análisis automático de retinografías. El método propuesto, por tanto, permitiría acortar el tiempo de diagnóstico, reducir la carga de trabajo de los expertos y, como consecuencia, disminuir los costes económicos asociados al tratamiento de la enfermedad.