Investigadores de la Universidad de Illinois en Chicago han logrado avances significativos en el campo de la oftalmología y la cirugía plástica cráneofacial gracias a la implementación de modelos de aprendizaje profundo. Un equipo multidisciplinario, que incluye especialistas en ingeniería biomédica y cirugía reconstructiva, ha evaluado tres modelos de segmentación para predecir distancias periorbitarias utilizando datos de imágenes clínicas. Emplearon imágenes de alta calidad de ojos sanos para entrenar los modelos UNET, DeepLabV3 y el modelo de segmentación fundacional de Segment Anything Model (SAM).
Los investigadores encontraron que medir las distancias periorbitarias es crucial en la clasificación de enfermedades como la Enfermedad del Ojo de Tiroides (TED) y diversos síndromes craneofaciales. Aunque la medición manual sigue siendo una práctica rutinaria en estos campos, su subjetividad y variabilidad entre personas condujo a la exploración de soluciones automáticas basadas en la inteligencia artificial.
El estudio subraya que el uso de redes de segmentación como un paso intermedio mejora la generalización de los modelos de clasificación, lo que tiene implicaciones importantes para los campos de la cirugía oftalmoplástica y craneofacial. Entre los modelos evaluados, DeepLabV3 demostró un desempeño superior en la predicción de distancias periorbitarias, con un error medio absoluto (MAE) menor a .5 mm en múltiples conjuntos de datos.
Los modelos fueron evaluados utilizando imágenes clínicas obtenidas en diversas condiciones, logrando un rendimiento de vanguardia en predicciones de distancia periorbitaria en todos los conjuntos de datos probados. El estudio también señala que las distancias periorbitarias medidas a través de su canalización pueden ser utilizadas eficazmente para tareas de clasificación posteriores.
Se emplearon medidas anatómicas fundamentales como la distancia de destello del márgen (MRD 1 y 2), distancia intercantal (ICD) y diversos otros cálculos complejos para evaluar la precisión de las predicciones, destacando la exactitud del modelo DeepLabV3 al compararlo con las mediciones humanas. Esto representa un paso adelante en la manera en que se pueden gestionar y diagnosticar desórdenes oculoplásticos y craneofaciales.
Para validar su enfoque, el equipo de Chicago utilizó conjuntos de datos abiertos para el entrenamiento de estos modelos, mostrando que grandes cantidades de imágenes de ojos sanos pueden entrenar adecuadamente a los modelos para la segmentación precisa de ojos enfermos. La capacidad de predecir las distancias periorbitarias con alta precisión no sólo mejora la precisión del diagnóstico, sino que también tiene el potencial de revolucionar el seguimiento del progreso de la enfermedad y los efectos de las intervenciones médicas o quirúrgicas en estos dominios.
A pesar del éxito demostrado, se reconocen limitaciones en cuanto al tamaño del conjunto de datos y se sugiere que un etiquetado más detallado podría aumentar aún más la robustez del modelo. Los expertos enfatizan la eventual necesidad de desarrollar bases de datos de imágenes más extensas y mejor etiquetadas, ofreciendo así un potencial de avance considerable para aplicaciones clínicas futuras.