Inteligencia artificial aplicada a la oftalmología: ResNet-50 y VGG-19 en el diagnóstico de catarata y glaucoma
DOI:
https://doi.org/10.33936/isrtic.v8i2.6641Palabras clave:
Inteligencia Artificial, oftalmología, redes neuronales convolucionales, catarata, glaucomaResumen
El auge de la tecnología está produciendo importantes cambios a nivel mundial, sobre todo en materia de inteligencia artificial (IA). Actualmente las grandes compañías han emprendido acciones y destinan gran parte de sus recursos al desarrollo de tecnologías que permitan automatizar diferentes actividades, entre ellas las del sector de la salud. En tal sentido, la oftalmología ha captado la atención de una rama de la IA, las redes neuronales convolucionales (RNC), debido a que puede ser provista de suficientes datos para garantizar niveles altos de predicción en la detección de enfermedades/anomalías oculares. En esta investigación se rediseñaron veinticuatro algoritmos a partir de las estructuras ResNet-50 y VGG-19, modificando las entradas (conjuntos de 15, 25 y 35 imágenes) y los ciclos de propagación (20 y 25 épocas), con el objetivo de optimizar el nivel de precisión en el diagnóstico de catarata y glaucoma; además, se utilizó el estadístico U de Mann Whitney para comparar los valores medios de los parámetros pérdida, precisión, rendimiento y tiempo, logrando identificar que solamente en este último las diferencias son estadísticamente significativas. Los resultados revelaron que el algoritmo más eficiente en el diagnóstico de catarata fue desarrollado a partir de la estructura VGG-19 con 25 imágenes tomadas como entrada con 20 épocas de entrenamiento; por su parte, no se lograron obtener niveles de precisión adecuados para el diagnóstico de glaucoma.
Descargas
Citas
Álvarez, D., Arévalo, A., Benavides, I., Salazar, C., & Betancourth, C. (2023). Use of Trained Convolutional Neural Networks for Analysis of Symptoms Caused by Botrytis fabae Sard. Revista de Ciencias Agrícolas, 40(1), 1-13. https://doi.org/10.22267/rcia.20234001.198
Analuisa-Aroca, I., Vergara-Romero, A., & Pérez, I. (2023). Redes neuronales convolucionales ResNet-50 para la detección de gorgojo en granos de maíz. Scientia Agropecuaria, 14(3), 385-394. https://doi.org/10.17268/sci.agropecu.2023.034
Borja, M., Pérez, M., & Luna, R. (2020). Beneficios ofrecidos por la gestión del Big Data en las instituciones gubernamentales en la era de la digitalización. Revista La Propiedad Inmaterial(30). https://go.gale.com/ps/i.doid=GALE%7CA648058028&sid=googleScholar&v =2.1&it=r&linkaccess=abs&issn=16571959&p=IFME&sw=w&userGroupName =anon%7Ef426e03f&aty=open-web-entry
Carron, A., Araujo, D., Medve, G., Torres, J., & Arrúa, M. (2021). Exactitud de las fórmulas de cálculo del poder de Lente Intraocular en Cirugía de Cataratas. Comparación de 8 fórmulas. Anales de la Facultad de Ciencias Médicas (Asunción), 54(2), 25-32. https://doi.org/https://doi.org/10.18004/anales/2021.054.02.25
Cifuentes, A., Mendoza, E., Lizcano, M., Santrich, A., & Moreno-Trillos, S. (2019). Desarrollo de una red neuronal convolucional para reconocer patrones en imágenes. Investigación y Desarrollo en TIC, 10(2), 7-17. https://revistas.unisimon.edu.co/index.php/identic/article/view/4007/4359
Costales, H., Callejo-Arruejo2, A., & Rafanan, N. (2020). Development of a Prototype Application for Rice Disease Detection Using Convolutional Neural Networks. International Journal of Emerging Trends in Engineering Research, 8(10), 7076-7081. https://doi.org/10.30534/ijeter/2020/708102020
Estupiñán, J., Leyva, M., Peñafiel, A., & El Assafiri, Y. (2021). Inteligencia artificial y propiedad intelectual. Revista Universidad y Sociedad, 13(S3), 362-368. https://rus.ucf.edu.cu/index.php/rus/article/download/2490/2445/
García, K., Vélez, V., Narváez, O., & Trujillo, M. (2020). Hallazgos clínicos en retinosis pigmentaria por examen visual, campimetría y retinografía en Colombia. Ciencia y Tecnología para la Salud Visual y Ocular, 18(2), 55-64. https://doi.org/https://doi.org/10.19052/sv.vol18.iss2.6
Guevara, R., & Augusto, C. (2023). Aplicación de redes neuronales densas y convolucionales para detección de COVID_19 en imágenes de rayos X. Revista Conectividad, 4(2), 19-32. https://doi.org/10.37431/conectividad.v4i2.78
Hernández, I. (2024). La inteligencia artificial y su impacto en la atención oftalmológica. Revista Cubana de Oftalmología, 37, 1-3. https://revoftalmologia.sld.cu/index.php/oftalmologia/article/view/1844/pdfq
Lozada-Portilla, W., Suarez-Barón, M., & Avendaño-Fernández, E. (2021). Aplicación de redes neuronales convolucionales para la detección del tizón tardío Phytophthora infestans en papa Solanum tuberosum. Revista U.D.C.A Actualidad & Divulgación Científica, 24(2), 1-9. https://doi.org/10.31910/rudca.v24.n2.2021.1917
Magallanes, K., Plúas, L., Aguas, J., & Freire, R. (2023). La inteligencia artificial aplicada en la innovación educativa en el proceso de enseñanza y aprendizaje. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, IV(2), 1597-1613. https://doi.org/10.56712/latam.v4i2.706
Mera-Jiménez, L., & Ochoa-Gómez, J. (2021). Redes neuronales convolucionales para la clasificación de componentes independientes de rs-fMRI. TecnoLógicas, 24(50), 1-20. https://doi.org/10.22430/22565337.1626
Perdomo-Charry, O., Pérez, A., de-la-Pava-Rodríguez, M., Ríos-Calixto, H., Arias-Vanegas, V., Lara-Ramírez, J., . . . González-Osorio, F. (2020). SOPHIA: System for Ophthalmic Image Acquisition, Transmission, and Intelligent Analysis. Revista Facultad de Ingeniería, 29(54), 1-15. https://doi.org/10.19053/01211129.v29.n54.2020.11769
Suing-Albito, G., & Barba-Guaman, L. (2023). Aplicación de métodos de deep learning en la identificación y conteo automático de animales salvajes. Revista Ibérica de Sistemas e Tecnologias de Informação, E56, 303-316. https://www.proquest.com/openview/7c46b95f421cc4491149edd9092ca5f9/1?pq-origsite=gscholar&cbl=1006393
Urióstegui-Rojas, A., López-García-Tinajero, A., Cortés-López, P., Mata-Hofmann, R., Mata-Flores, F., & Hofmann-Blancas, M. (2023). Epidemiología del glaucoma congénito primario durante 2008-2018 en el Instituto de Oftalmología "Fundación de Asistencia Privada Conde de Valenciana, IAP". Revista mexicana de oftalmología, 96(6), 241-246. https://doi.org/https://doi.org/10.24875/rmo.m22000246
Valero, J., Zúñiga, A., & Clares, J. (2021). Detección de la tuberculosis con algoritmos de Deep Learning en imágenes de radiografías del tórax. VIVE. Revista de Investigación en Salud, 4(12), 624-633. https://doi.org/10.33996/revistavive.v4i12.119
Zarranz-Ventura, J., Romero-Aroca, P., & Zapata, M. (2023). Inteligencia artificial en oftalmología. Annals d’Oftalmologia, 1(4), 166-169. https://www.scoft.cat/pdfs/Revista-Annals-Oftalmologia_CDS_2023_low.pdf
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Leonardo Paul Sanchez Davila, Ruth Evelyn Rogel Rivera, Joofre Antonio Honores Tapia, Wilmer Braulio Rivas Asanza
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los artículos enviados a esta revista para su publicación serán liberados para su acceso abierto bajo una licencia Creative Commons con Reconocimiento No Comercial Sin Obra Derivada (http://creativecommons.org/licenses/by-nc-nd/4.0)
Los autores mantienen los derechos de autor, y, por lo tanto, son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra bajo las condiciones siguientes: Reconocer los créditos de la obra especificada por el autor e indicar si se realizaron cambios (puede hacerlo de cualquier forma razonable, pero no de una manera que sugiera que el autor respalda el uso que hace de su obra. No utilizar la obra para fines comerciales. En caso de remezcla, transformación o desarrollo, no puede distribuirse el material modificado.
