DeepLensNet: Deep Learning Automated Diagnosis and Quantitative Classification of Cataract Type and Severity

Se prevé que la prevalencia de catarata aumente aún más en las próximas décadas debido al envejecimiento demográfico de la población en muchos países. En sus formas más avanzadas, la catarata causa una discapacidad visual grave y típicamente bilateral y requiere extracción quirúrgica e implante de lentes intraoculares.

El objetivo de este estudio fue desarrollar modelos de aprendizaje profundo para realizar diagnósticos automatizados y clasificación cuantitativa de cataratas relacionadas con la edad a partir de fotografías del segmento anterior.

Se desarrolló un marco de aprendizaje profundo, DeepLensNet, para la evaluación detallada de las cataratas relacionadas con la edad. DeepLensNet pudo realizar una clasificación automatizada, precisa y cuantitativa de la gravedad de las cataratas para los 3 tipos de cataratas relacionadas con la edad.

Para la catarata nuclear y cortical, los 2 tipos más comunes, la precisión fue significativamente superior a la de los oftalmólogos; para la subcapsular posterior, el tipo menos común, la precisión fue similar.

DeepLensNet puede tener un amplio potencial de aplicaciones tanto en el ámbito clínico como en el de la investigación. En el futuro, estos enfoques pueden aumentar la accesibilidad de la evaluación de cataratas a nivel mundial.

El texto completo está disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9038670/