Desarrollo de un modelo de clasificación de imágenes de fondo de ojo con inteligencia artificial para la detección de anomalías oculares en Guatemala

Abstract

Se desarrolló un modelo de clasificación de imágenes de fondo de ojo basado en inteligencia artificial (IA) para la detección de anomalías oculares en Guatemala. En específico, la retinopatía diabética, con el objetivo de facilitar el acceso a poblaciones con acceso limitado a servicios oftalmológicos. Partiendo de una base de datos de imágenes oftalmológicas de pacientes en centros especializados y proporcionada por EyePACS, el modelo emplea arquitecturas de redes neuronales profundas como ResNet152, VGG19 y EfficientNetB7, optimizadas para clasificar tanto la presencia como la severidad de las anomalías. Se evaluó y entrenó múltiples modelos de IA, empleando algoritmos de aprendizaje auto-mático y redes neuronales profundas, específicamente redes neuronales convolucionales, por sus siglas en inglés (CNN). El proceso de validación y evaluación se realizó con métricas de sensibilidad, precisión, AUC-ROC, y AUC-PR, alcanzando óptimos resultados con VGG19 (AUC-PR de 0.8020 y un índice de concordancia ponderado de 0.600 en modo binario y 0.680 en modo multiclasificación). La precisión promedio superior al 80 % en pruebas sugiere que el modelo puede superar métodos convencionales, brindando una herramienta accesible y de bajo costo para el diagnóstico temprano en entornos clínicos de bajos recursos. Además, su aplicación permite reducir el impacto de la ceguera asociada a estas patologías, estableciendo una base para futuras mejoras en la detección automatizada de enfermedades oculares y sistémicas.

An artificial intelligence (AI)-based fundus image classification model was developed for detecting ocular anomalies in Guatemala, specifically diabetic retinopathy, with the aim of improving access for populations with limited ophthalmology services. Using a database of ophthalmologic images from patients at specialized centers, provided by EyePACS, the model employs deep neural network architectures such as ResNet152, VGG19, and EfficientNetB7, optimized to classify both the presence and severity of anomalies. Multiple AI models were trained and evaluated, using machine learning algorithms and deep neural networks, specifically Convolutional Neural Networks (CNN). The validation and evaluation process used metrics including sensitivity, precision, AUC-ROC, and AUC-PR, achieving optimal results with VGG19 (AUC-PR of 0.8020 and a weighted Kappa score of 0.600 in binary mode and 0.680 in multiclass mode). An average accuracy exceeding 80 % in testing suggests that the model could outperform traditional methods, providing an accessible, low-cost tool for early diagnosis in low-resource clinical settings. Additionally, its application could reduce the impact of blindness associated with these conditions, esta-blishing a foundation for future advancements in automated detection of ocular and systemic diseases.