El glaucoma crónico simple es una de las enfermedades oftalmológicas que con más frecuencia produce pérdida de visión e incluso ceguera en la sociedad actual. Esta enfermedad es inicialmente asintomática, por lo que generalmente se detecta en estadios muy avanzados cuando sus efectos son ya irreversibles.

El beneficio que supone el diagnóstico precoz justifica el realizar campañas de cribado, siendo deseable automatizar estos estudios y trasladarlos a los Centros de Salud de Atención Primaria (CSAP) con el fin de aumentar la población que se analizará sin aumentar los costes.

x000D

x000D

Objetivos del proyecto

En este proyecto se pretende desarrollar una herramienta basada en técnicas avanzadas de Aprendizaje Máquina (Machine Learning, ML) que ayude a mejorar el diagnóstico precoz del glaucoma ocular. Dicha herramienta se incorporará como un nuevo módulo en un sistema informático del Servicio Murciano de Salud (SMS) que se está desarrollando para dar servicio a los CSAPs de toda región.

En la creación de este sistema colaboran conjuntamente el grupo TDAM y el Hospital General Universitario Reina Sofía (HURS) gracias a la subvención del plan nacional [PI17/00771].

Arquitecturas de Aprendizaje Profundo (Deep Learning, DL)

Para lograr los objetivos descritos, se aplicarán dos de las arquitecturas más potentes del denominado Aprendizaje Profundo (Deep Learning, DL). El DL es una parte de la inteligencia artificial que sirve para modelar abstracciones de alto nivel en datos usando arquitecturas compuestas por transformaciones no lineales múltiples.

Las dos máquinas profundas que se estudiarán son los clasificadores Auto-Codificadores Apilados (Stacked Denoising Auto-Encoders, SDAE) y las Redes de Cápsulas (Capsule Networks, CN).

Redes de Cápsulas (Capsule Networks, CN)

Con respecto al primer tipo de máquinas, el equipo de trabajo tiene experiencia en su empleo en diferentes tipos de problemas como ya se ha indicado en la Sección I de este documento. Las CN, sin embargo, son redes completamente nuevas (fueron presentadas por G. Hinton, uno de los padres del DL, en noviembre de 2017), pero de tremendo potencial pues suponen un salto cualitativo respecto a las bien conocidas Redes Convolucionales (Convolutional Neural Networks, CNN).

Obtención de datos y colaboración

Mientras que las CN permiten trabajar directamente sobre las imágenes médicas (retinografías en nuestro caso) de forma supervisada, los SDAEs clasificarán también supervisadamente las imágenes a partir del conjunto de características extraídas de la segmentación de los discos ópticos presentes en dichas imágenes. Es, por tanto, necesario la obtención de un conjunto lo suficientemente grande de retinografías, etiquetadas por expertos como glaucomatosas y sanas.

La colaboración actual entre el TDAM y el Servicio de Oftalmología del HURS en el marco del proyecto [PI17/00771], permitirá cumplir este requerimiento con creces y constituir una base de datos apropiada (ya se disponen de hecho de una buena biblioteca de imágenes gracias a la reciente adquisición de un retinográfo de última generación por parte del hospital).