Las aplicaciones de la inteligencia artificial (IA) generativa en oftalmología continúan su rápido e inexorable progreso.
Hace unos meses, el estudio "Aprendizaje profundo para discriminar la neuropatía óptica isquémica arterítica de la no arterítica en imágenes en color", publicado en Jama Ophthalmology, que examinó la precisión con la que los algoritmos basados en aprendizaje profundo son capaces de discriminar la neuropatía óptica isquémica no arterítica (NAION) de la forma arterítica (AAION) a partir de imágenes en color del fondo de ojo en la fase aguda. Estos son los resultados de un estudio internacional en el que participaron 961 ojos de 802 pacientes. La fase de entrenamiento se llevó a cabo utilizando imágenes de 21 centros neurooftalmológicos de 16 países, mientras que la fase de prueba involucró a una cohorte de cinco centros especializados de Europa y Estados Unidos, durante el período comprendido entre agosto de 2018 y enero de 2023. El rendimiento del sistema de aprendizaje profundo (DLS) según los criterios de sensibilidad, especificidad y precisión arrojó excelentes resultados con mapas de activación específicos con mayores niveles de precisión que 90% para distinguir entre AAION y NAION.
Este es uno de los muchos ejemplos de éxito de las innumerables aplicaciones de la IA en oftalmología, a las que se ha dedicado una amplia reseña publicada en el Asian Pacific Journal of Ophthalmology, Últimos avances de la inteligencia artificial generativa y aplicaciones en oftalmología - ScienceDirect
De hecho, las dos últimas décadas han sido testigo de un gran desarrollo que ha dado lugar a conjuntos de datos cada vez mayores que contienen un espectro de información cada vez más amplio y a la creación de modelos cada vez más potentes y con mayor capacidad para aprender de los datos. Del machine learning al deep learning, de la IA discriminativa a la IA generativa y a la aparición de los Large Language Models (LLM).
Desde esta perspectiva, ¿cuáles son las orientaciones y los problemas más importantes de la oftalmología?
La primera cuestión es la verificación global del modelo de encuesta estándar. Los estudios actuales han evaluado mayoritariamente el rendimiento de la IA generativa a partir de bases de datos existentes en oftalmología, como única forma de validación. La limitación de este enfoque son las probables deficiencias en la diversidad y complejidad de las historias clínicas disponibles. Cuanto más se acerque el rendimiento de la IA generativa al rendimiento humano, más apremiante será la necesidad de que el contexto de validación de los algoritmos refleje las condiciones clínicas del mundo real. Además, los resultados de la IA suelen ser aleatorios, lo que plantea problemas de replicabilidad de los resultadosque es un requisito cada vez más importante.
Entonces es necesario aumentar pruebas justificativas ya que sólo un número limitado de estudios sobre aplicaciones de la IA han sido comunicados y verificados mediante revisión por pares. En la actualidad, multitud de estudios están disponibles como preprints en plataformas de acceso abierto sin verificación de apoyo. Además, hasta la fecha no hay pruebas suficientes para llegar a un "consenso" en el que coincidan oftalmólogos y expertos en IA sobre los resultados de la IA generativa en oftalmología y su futuro desarrollo.
Otro problema es que la todavía limitada capacidad de la IA generativa para integrar información multimodal y realizar tareas multimodales en la práctica clínica de la oftalmología. La IA generativa multimodal será una tecnología crucial para lograr una medicina personalizada, en la que los modelos de IA generativa deben integrar distintos tipos de datos, como biosensores, información genética, epigenética, proteómica, microbiológica, metabólica, de imagen, textual, datos clínicos y factores sociales y ambientales. El "agente inteligente" es una solución emergente de IA generativa multimodal para gestionar múltiples tareas, desde las más sencillas, basadas en reglas, hasta las más complejas, en respuesta a un contexto dinámico. En oftalmología, como en otras áreas de la medicina, el agente inteligente debe apuntar a objetivos específicos, percibir su contexto y recopilar los datos necesarios para la toma de decisiones. Por ejemplo, el agente inteligente ya se ha utilizado en el triaje de urgencias para optimizar la utilización de los recursos disponibles en función de la urgencia del paciente, en la toma de decisiones clínicas en caso de raciones adversas de medicamentos y en la monitorización y atención a distancia de pacientes con demencia. Podrían desarrollarse aplicaciones similares para los cuidados en oftalmología.
Otro paso es el desarrollo de un flujo de trabajo de integración de algoritmos generativos de IA en la práctica clínica oftalmológica habitual.
Sobre la IA en Oftalmología, señalamos:
- IA y oculómica - Oculista Italiano
- IA y oftalmología: escuche el podcast - Oculista Italiano
- Llegan los robots - Oftalmólogo italiano
- Feng X, Xu K, Luo MJ, et al. Latest developments of generative artificial intelligence and applications in ophthalmology. Asia Pac J Ophthalmol (Phila). 2024 Jul-Aug;13(4):100090. doi: 10.1016/j.apjo.2024.100090. Epub 2024 Aug 14. PMID: 39128549.
- Gungor A, Najjar RP, Hamann S, et al. Deep Learning to Discriminate Arteritic From Nonarteritic Ischemic Optic Neuropathy on Colour Images. JAMA Ophthalmol.2024;142(11):1073–1079. doi:10.1001/jamaophthalmol.2024.4269