Screening visual con inteligencia artificial aplicada en imágenes pupilares

Abstract

Introducción: Las disfunciones visuales en la infancia, como la anisometropía, la ambliopía o el estrabismo, pueden tener consecuencias irreversibles si no se detectan a tiempo. Sin embargo, las consultas de pediatría no disponen del material ni del tiempo suficiente para poder realizar un correcto screening visual, lo cual impide la detección temprana de patologías importantes que pueden pasar desapercibidas. En este contexto, la fotorrefracción es un método rápido, no invasivo y útil para estimar el estado refractivo del ojo mediante un análisis del reflejo rojo pupilar. Material y método: Se ha llevado a cabo un estudio piloto, comparativo y no invasivo, con 32 voluntarios de entre 18 y 45 años, seleccionados de forma no sistemática, y se han aplicado los criterios de inclusión y exclusión con el fin de garantizar la validez del estudio. Se ha realizado una exploración optométrica completa y se han obtenido imágenes del reflejo rojo de la pupila mediante una cámara seleccionada para fotorrefracción. Las imágenes han sido etiquetadas manualmente según el tipo de error refractivo (miopía, emetropía o hipermetropía), en función de la localización del reflejo pupilar. Se ha entrenado una red neuronal convolucional utilizando la herramienta “Teachable Machine 2.0” para clasificar automáticamente las imágenes de los ojos, evaluando el rendimiento mediante un análisis estadístico. Resultados: El modelo ha obtenido un rendimiento del 99,2% de precisión sobre el conjunto de entrenamiento, con una media ponderada del 99,5% al considerar el nivel de confianza. Ha clasificado correctamente el 100% de las imágenes de ojos miopes y emétropes y el 97,6% de las imágenes de ojos hipermétropes, y ha acertado las tres imágenes de un mismo paciente en el 97,6% de los casos. En el conjunto de validación, la precisión ha descendido a un 63,6%, aumentando al 69% al considerar el nivel de confianza. El modelo ha mostrado mayor precisión en la clasificación de ojos miopes (88,9%) y menor en hipermétropes (50%) y emétropes (44,4%). A nivel de paciente, ha clasificado correctamente las tres imágenes en el 45,5% de los casos. Conclusiones: Los resultados han mostrado una buena capacidad de aprendizaje del modelo, pero también una generalización limitada, lo que ha resaltado la necesidad de ampliar la base de datos para mejorar su utilidad como herramienta de screening visual, especialmente en población pediátrica.

Introduction: Visual dysfunctions in childhood, such as anisometropia, amblyopia or strabismus, can have irreversible consequences if not detected in time. However, paediatricians consultations do not have enough material or time to carry out a correct visual screening, which prevents the early detection of important pathologies that may go unnoticed. In this context, photorefraction is a fast, non-invasive and useful method to estimate the refractive error of the eye by analyzing the red pupillary reflex. Material and Method: A pilot, comparative, non-invasive study was carried out with 32 volunteers between 18 and 45 years, selected non-systematically and inclusion and exclusion criteria were applied to guarantee the validity of the study. A complete optometric examination was performed, and images of the red pupillary reflex were obtained using a camara selected for photorefraction. The images were manually labelled according to the type of refractive error (myopia, emmetropia or hyperopia), based on the location of the pupillary reflex. A convolutional neural network was trained using the “Teachable Machine 2.0” tool to automatically classify the eyes, evaluating the performance by statistical analysis. Results: The model performed 99,2% accurate over the training set, with a weighted average of 99,5% when considering the confidence level. It correctly classified 100% of the images of myopic and emmetropic eyes and 97,6% of the images of hyperopic eyes and got all three images of the same patient correct in 97,6% of the cases. In the validation set, accuracy decreased to 63,6%, increasing to 69% when considering the confidence level. The model showed higher accuracy in the classification of myopic eyes (88,9%) and lower accuracy in hyperopic (50%) and emmetropic (44,4%). At the patient level, it correctly classified all three images in 45,5% of the cases. Conclusions: The results have shown a good learning ability of the model, but also limited generalization, which has highlighted the need to expand the database to improve its usefulness as a visual screening tool, especially in paediatric population.