Avances en la Detección de Retinopatía Diabética: El Rol Prometedor de la Inteligencia Artificial
Resumen
Actualmente, la retinopatía diabética es un gran problema que afecta a la población en edad laboral, cuya principal causa es la diabetes. La detección temprana de esta enfermedad es fundamental para prevenir complicaciones graves y es aquí donde la inteligencia artificial (IA) muestra su potencial. Los enfoques basados en el aprendizaje profundo se han mostrado prometedores en la detección y clasificación de lesiones retinianas asociadas con la retinopatía diabética. Sin embargo, se necesita más investigación para determinar completamente la efectividad de estos métodos. Por otro lado, el glaucoma, una enfermedad ocular que pone en peligro la vista, es difícil de detectar a tiempo. Aunque son posibles técnicas como el examen del nervio óptico mediante imágenes del fondo de ojo, la interpretación subjetiva y costosa del oftalmólogo es un obstáculo importante. En este contexto, nuestro objetivo es aumentar la eficiencia y precisión del diagnóstico aprovechando nuevas tecnologías como la IA. El uso de algoritmos de IA en el análisis de imágenes oculares puede conducir a una detección más rápida y precisa de anomalías relacionadas con el glaucoma. Estos sistemas pueden detectar patrones sutiles que pueden no ser visibles para el ojo humano, lo que permite un diagnóstico temprano y un tratamiento más eficaz. La IA también puede realizar automáticamente análisis proactivos para reducir la carga de trabajo de los profesionales de la salud, permitiéndoles centrarse en casos más complejos o en la atención directa al paciente. En conclusión, si bien la retinopatía diabética y el glaucoma representan desafíos importantes en el campo de la oftalmología, el uso de la IA ofrece una esperanza real para mejorar la detección, el diagnóstico y, en última instancia, el tratamiento de estas enfermedades. Sin embargo, la investigación y validación continua de estas tecnologías es esencial para garantizar la eficacia y seguridad en la práctica clínica.
Descargas
Citas
Al-Hazaimeh, O. M., Abu-Ein, A., Tahat, N., Al-Smadi, M., & Al-Nawashi, M. (2022). Combining Artificial Intelligence and Image Processing for Diagnosing Diabetic Retinopathy in Retinal Fundus Images. International journal of online and biomedical engineering, 18(13), 131-151. https://doi.org/10.3991/ijoe.v18i13.33985
Zhang, J., Yang, K., Shen, Z., Sang, S., Yuan, Z., Hao, R., Zhang, Q., & Cai, M. (2023). End-to-End Automatic Classification of Retinal Vessel Based on Generative Adversarial Networks with Improved U-Net. Diagnostics, 13(6), 1148. https://doi.org/10.3390/diagnostics13061148
Deshmukh, S. V., Roy, A., & Agrawal, P. (2023). Retinal Image Segmentation for Diabetic Retinopathy Detection using U-Net Architecture. International Journal of Image, Graphics and Signal Processing, 15(1), 79-92. https://doi.org/10.5815/ijigsp.2023.01.07
Nieto, W. (2022, 1 diciembre). Aplicación de técnicas de Inteligencia Artificial para el diagnóstico asistido de glaucoma. Universidad del Norte. http://hdl.handle.net/10584/11235
Ting, D. S. W., Cheung, G. C. M., Lim, G., Tan, G. S. W., Quang, N. D., Gan, A., ... & Wong, T. Y. (2018). Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes. Jama, 318(22), 2211-2223.
Gulshan, V., Peng, L., Coram, M., Stumpe, M. C., Wu, D., Narayanaswamy, A., ... & Webster, D. R. (2016). Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. Jama, 316(22), 2402-2410.
Abramoff, M. D., Lavin, P. T., Birch, M., Shah, N., & Folk, J. C. (2010). Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. npj Digital Medicine, 3(1), 1-10.
Abràmoff, M. D., Lou, Y., Erginay, A., Clarida, W., Amelon, R., Folk, J. C., ... & Niemeijer, M. (2016). Improved automated detection of diabetic retinopathy on a publicly available dataset through integration of deep learning. Investigative ophthalmology & visual science, 57(13), 5200-5206.
Grzybowski, A., Told, R., Sacu, S., & Bandello, F. (2019). Artificial intelligence for diabetic retinopathy screening: a review. Eye, 33(3), 401-410.
Wang, Z., Yan, H., Han, L., Huang, Y., & Liu, X. (2019). Detection of diabetic retinopathy based on the ratio of vascular diameter using fundus images. Computers in Biology and Medicine, 106, 1-9.
Ji, X., & Jia, S. (2019). Retinal vessel segmentation and diabetic retinopathy detection based on threshold and active contour model. Journal of Medical Systems, 43(12), 1-11.
Xia, Y., Wu, X., Zhang, Y., Zhang, L., & Wang, Y. (2020). Deep learning-based automated detection of diabetic retinopathy using retinal fundus photographs: a review. Computers in Biology and Medicine, 118, 1-14.
Wong TY, Bressler NM. Artificial intelligence with deep learning technology looks into diabetic retinopathy screening. JAMA. 2016; 316(22):2366-2367.
Ting DSW, Cheung CY, Lim G, et al. Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes. JAMA. 2017; 318(22):2211-2223.
Abràmoff MD, Lou Y, Erginay A, et al. Improved automated detection of diabetic retinopathy on a publicly available dataset through integration of deep learning. Invest Ophthalmol Vis Sci. 2016; 57(13):5200-5206.
Gargeya R, Leng T. Automated identification of diabetic retinopathy using deep learning. Ophthalmology. 2017; 124(7):962-969.
Prasad, D. K., Vibha, L., & R, V. K. (2018). Early detection and Multistage classification of Diabetic Retinopathy using Random Forest Classifier. International Journal on Computer Science and Engineering, 10(3), 77-84. https://doi.org/10.21817/ijcse/2018/v10i3/181003012
Al-Hazaimeh, O. M., Abu-Ein, A., Tahat, N., Al-Smadi, M., & Al-Nawashi, M. (2022). Combining Artificial Intelligence and Image Processing for Diagnosing Diabetic Retinopathy in Retinal Fundus Images. International journal of online and biomedical engineering, 18(13), 131-151. https://doi.org/10.3991/ijoe.v18i13.33985
Ángel González-Ochoa,(1) Lizbeth Alcudia-Olivé. Incidencia de retinopatía y neuropatía diabética en pacientes del Centro de Salud Urbano de Comalcalco, Tabasco, México. Enero 2019. Vol. 25 Núm.2. Mayo-Diciembre 2019 Pags. 80-87 Salud Tab 2019; 25(2-3).
Soto, V. (2023). La Formación Docente en el Contexto de la Educación Inclusiva: Desafíos y Perspectivas en Países en Desarrollo. Sapiencia Revista Científica Y Académica , 3(2), 41–61. https://doi.org/10.61598/s.r.c.a.v3i2.46
Machuca-Sepúlveda, J., López M., M., & Vargas L., E. (2021). Equilibrio ambiental precario en humedales áridos de altura en Chile. Emergentes - Revista Científica, 1(1), 33–57. Recuperado a partir de https://revistaemergentes.org/index.php/cts/article/view/3
Silva Gómez , P., & Santos Fernández, C. (2023). Experiencias de Enfermeras Trabajando en Contextos de Violencia o Inseguridad. Revista Científica De Salud Y Desarrollo Humano, 4(1), 36–49. https://doi.org/10.61368/r.s.d.h.v4i1.21
Ramírez Cruz, A. (2023). Fortaleza Resiliente del Personal de Enfermería Durante la Pandemia de COVID-19. Estudios Y Perspectivas Revista Científica Y Académica , 3(1), 37–52. https://doi.org/10.61384/r.c.a.v3i1.17
Derechos de autor 2024 Ericka Martínez López, Eduardo De la Cruz Gámez, Mario Hernández Hernández, Miriam Martínez Arroyo, Jose Antonio Montero Valverde
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.jpg)
