La salud de la retina depende críticamente de la integridad de sus vasos sanguíneos. Cuando enfermedades como la retinopatía diabética o la prematuridad progresan, pueden dar lugar a la neovascularización retiniana, un proceso donde crecen nuevos vasos sanguíneos anormales y frágiles. Estos vasos no solo son ineficientes, sino que tienen una alta tendencia a sangrar, lo que puede provocar una hemorragia vítrea o un desprendimiento de retina traccional. Detectar estos cambios en sus etapas más tempranas es uno de los mayores retos en la oftalmología moderna, especialmente porque las lesiones iniciales suelen ser minúsculas y fáciles de pasar por alto en una revisión convencional.

¿Qué problema intenta responder este estudio?

El diagnóstico tradicional de la neovascularización se basa en la observación clínica y el análisis de fotografías de fondo de ojo. Sin embargo, los modelos de inteligencia artificial previos a menudo tenían dificultades para diferenciar entre vasos sanguíneos sanos y aquellos que apenas comienzan a enfermar en zonas muy localizadas. El problema principal es que muchos sistemas computacionales se enfocan en la imagen completa (características globales) y pierden de vista los detalles pequeños y críticos (características locales) que aparecen alrededor de los vasos sanguíneos principales.

¿Qué investigaron los autores?

Un grupo de investigadores desarrolló y evaluó un nuevo marco tecnológico denominado DAPR-PSHO. Este sistema combina una red neuronal avanzada (ResNet con atención deformable) y un algoritmo de optimización inspirado en el comportamiento de enjambres (Swarm-Hiking Optimization). El objetivo era crear una herramienta capaz de “enfocar” su atención específicamente en las zonas perivasculares, donde la neovascularización suele manifestarse primero, mejorando así la precisión del diagnóstico automatizado.

¿Cómo se realizó el estudio?

El estudio se basó en el análisis computacional de imágenes de fondo de ojo. Los autores implementaron un mecanismo de “atención deformable”, que permite al algoritmo adaptar su forma de análisis según la estructura de los vasos sanguíneos del paciente, en lugar de usar un patrón rígido. Posteriormente, utilizaron la técnica de optimización Swarm-Hiking para ajustar los parámetros del modelo, asegurando que la detección fuera lo más exacta posible y reduciendo los falsos positivos.

¿Qué encontraron los investigadores?

Los resultados demostraron que el marco DAPR-PSHO supera significativamente a los modelos convencionales. Los hallazgos principales incluyen:

  • Mayor precisión local: El sistema logró aislar anomalías en etapas tempranas que otros modelos ignoraban.
  • Fidelidad anatómica: La herramienta identifica con mayor claridad la estructura real de los nuevos vasos, diferenciándolos del tejido fibroso o cicatricial.
  • Eficiencia en zonas críticas: Se observó una mejora notable en la detección dentro de las zonas perivasculares, fundamentales para el diagnóstico de enfermedades vasculares de la retina.

¿Qué significa esto para los pacientes?

Aunque este es un avance en el área de la ingeniería biomédica y la inteligencia artificial aplicada, su impacto potencial en la clínica es enorme. Para los pacientes en la Ciudad de México y sus alrededores, como Naucalpan o Huixquilucan, estos avances sugieren que en el futuro cercano contaremos con herramientas de tamizaje mucho más sensibles. Una detección más temprana significa que el tratamiento (como el láser o las inyecciones intravítreas) puede iniciarse antes de que ocurra una pérdida visual irreversible.

Es importante recordar que la base de un buen pronóstico es el diagnóstico preciso. En casos de enfermedades complejas, es vital comprender los mecanismos moleculares en la retinopatía diabética, ya que la inflamación y la ruptura de la barrera hematorretiniana son los precursores de estos nuevos vasos que la IA ahora intenta detectar.

Limitaciones y prudencia médica

Es fundamental aclarar que este estudio es de carácter técnico y experimental en el área de procesamiento de imágenes. Aunque los resultados son prometedores, este software no reemplaza la valoración de un médico oftalmólogo especialista en retina. La inteligencia artificial actúa como una herramienta de apoyo, pero la decisión terapéutica final siempre debe ser tomada por un experto tras una exploración física completa y, en muchos casos, la realización de un estudio diagnóstico complementario.

¿Cambia actualmente el tratamiento?

Por el momento, este hallazgo no cambia los protocolos de tratamiento vigentes, pero sí abre la puerta a sistemas de monitoreo más sofisticados. En la práctica clínica actual, seguimos dependiendo de la correlación entre la clínica y tecnologías establecidas. Por ejemplo, en la población pediátrica, ya aplicamos nuevos valores de referencia en OCT pediátrica para asegurar que el desarrollo visual sea el adecuado, y en adultos, la detección oportuna sigue siendo la mejor defensa contra la ceguera por diabetes.

Conclusión

La integración de algoritmos de atención deformable y optimización matemática representa un paso adelante en la lucha contra las enfermedades vasculares del ojo. Al mejorar la capacidad de las máquinas para “ver” lo que a veces es invisible al ojo humano en etapas tempranas, nos acercamos a una era de medicina de precisión donde la prevención es la protagonista.

Si usted padece diabetes o ha notado cambios en su visión, una valoración especializada es esencial para detectar cualquier signo de neovascularización a tiempo.

Fuente científica:

Retinal neovascularization detection from fundus images using deformable attention ResNet and swarm-hiking optimization. 2024.
PMID: 42803837
Consultar artículo original en PubMed