Artificial Intelligence in Ophthalmology: A Meta-Analysis of Deep Learning Models for Retinal Vessels Segmentation

Inteligencia artificial en oftalmología: un meta-análisis de modelos de Learning para la segmentación de los vasos de la retino

La segmentación precisa de los vasos sanguíneos de la retina suele considerarse un biomarcador fiable para el diagnóstico y la detección de diversas enfermedades, como las cardiovasculares, las diabéticas y las oftalmológicas. Recientemente, los algoritmos de aprendizaje profundo (DL) han demostrado un alto rendimiento en la segmentación de imágenes de la retina, lo que puede permitir una rápida salvación de vidas. Hasta donde sabemos, no existe una revisión sistemática de los trabajos actuales en esta área de investigación. Por lo tanto, realizamos una revisión sistemática con un meta-análisis de los estudios relevantes para cuantificar el rendimiento de los algoritmos de DL en la segmentación de vasos de la retina.

Se realizó una búsqueda sistemática en EMBASE, PubMed, Google Scholar, Scopus y Web of Science de estudios publicados entre el 1 de enero de 2000 y el 15 de enero de 2020. Se siguió el procedimiento de los Elementos de Información Preferidos para las Revisiones Sistemáticas y los Metaanálisis (PRISMA). El diseño del estudio basado en la DL fue obligatorio para la inclusión de un estudio. Dos autores revisaron de forma independiente todos los títulos y resúmenes según los criterios de inclusión y exclusión predefinidos. Se utilizó la herramienta Quality Assessment of Diagnostic Accuracy Studies (QUADAS-2) para evaluar el riesgo de sesgo y la aplicabilidad.

Resultados: Se incluyeron 31 estudios en la revisión sistemática; sin embargo, sólo 23 estudios cumplieron los criterios de inclusión para el metaanálisis. La DL mostró un alto rendimiento para cuatro bases de datos disponibles públicamente, alcanzando un área media bajo el ROC de 0,96, 0,97, 0,96 y 0,94 en las bases de datos DRIVE,

STARE, CHASE_DB1 y HRF, respectivamente. La sensibilidad conjunta de las bases de datos DRIVE, STARE, CHASE_DB1 y HRF fue de 0,77, 0,79, 0,78 y 0,81, respectivamente. Además, la especificidad combinada de las bases de datos DRIVE, STARE, CHASE_DB1 y HRF fue de 0,97, 0,97, 0,97 y 0,92, respectivamente.

Conclusiones: Los hallazgos de nuestro estudio mostraron que los algoritmos DL tenían una alta sensibilidad y especificidad para segmentar los vasos retinianos a partir de imágenes digitales de fondo de ojo. El papel futuro de los algoritmos DL en la segmentación de vasos retinianos es prometedor, especialmente para aquellos países con acceso limitado a la asistencia sanitaria. Es necesario realizar más estudios de compresión y esfuerzos globales para evaluar la rentabilidad de las herramientas basadas en DL para el cribado de enfermedades de la retina en todo el mundo.