Identificación de retinopatía diabética a partir de imágenes de retinografía mediante una red neuronal convolucional

Abstract

La retinopatía diabética (RD) es una enfermedad ocular frecuente en personas con diabetes en todo el mundo y puede causar pérdida de visión o ceguera. Las técnicas de diagnóstico por imagen convencionales requieren tiempo, esfuerzo y habilidades específicas de los oftalmólogos. Este estudio propone el uso de una red neuronal convolucional (CNN) basada en la arquitectura ResNet152V2 para analizar automáticamente imágenes en color de la retina del ojo e identificar la RD. Se aplicó la metodología de Descubrimiento de Conocimiento en Bases de Datos (KDD) para la gestión y el análisis de datos. Se adquirieron conjuntos de datos de imágenes RGB, tanto privados de la Asociación Ecuatoriana de Diabetes (EDA) como públicos (EyePACS) disponibles en Internet. El entrenamiento y la validación del modelo se realizaron con Python, el framework TensorFlow y la biblioteca Keras. Los resultados mostraron que el modelo tiene una precisión en la identificación de la RD del 80%, comparable a la de los oftalmólogos (especialistas), mostrando una asociación estadísticamente significativa según la prueba de chi-cuadrado y una correlación de Spearman muy alta (rho = 0,857). Esto resultó en una alta concordancia entre ambas evaluaciones (modelo vs. especialistas). Además, el modelo CNN redujo significativamente el tiempo de diagnóstico manual de la retinopatía diabética (RD) de 5-10 minutos a 15-30 segundos. La implementación de esta herramienta podría mejorar el diagnóstico de la RD y la prescripción de tratamientos clínicos adecuados para los pacientes afectados.