La retinopatía diabética es una complicación ocular generada por la diabetes, caracterizada por el daño de los vasos sanguíneos de la retina que, si no se trata adecuadamente, puede llevar a la pérdida parcial o total de la visión. A medida que el número de personas con diabetes aumenta globalmente, con proyecciones de incrementos significativos hacia 2045, la necesidad de métodos eficaces para el diagnóstico temprano de enfermedades como la retinopatía diabética se vuelve crucial. Actualmente, existen 537 millones de personas afectadas por esta enfermedad, y se espera un aumento a 578 millones para el 2045 según la Federación Internacional de Diabetes.
Para abordar estos desafíos, un grupo de investigadores de la Universidad de Ciencia y Tecnología Ahsanullah, en colaboración con la Universidad del Sureste de Bangladesh, ha desarrollado un modelo innovador denominado VR-FuseNet que mejora la detección automática de la retinopatía diabética. Este modelo híbrido de aprendizaje profundo combina las capacidades de dos avanzadas arquitecturas de red neuronal convolucional: VGG19 y ResNet50V2, que permiten capturar características espaciales detalladas y realizar una compleja extracción de rasgos.
Uno de los principales retos en el diagnóstico de esta enfermedad ha sido la problemática de los desequilibrios en los conjuntos de datos y la variabilidad en las condiciones de las imágenes retinianas. Para manejar estas limitaciones, se creó un conjunto de datos híbrido compuesto por cinco bases de datos públicas de retinopatía diabética: APTOS 2019, DDR, IDRiD, Messidor 2, y Retino. Se aplicaron técnicas de preprocesamiento esenciales como SMOTE y CLAHE para mejorar el balance de clases y la calidad de las imágenes, incrementando así la robustez del modelo.
El modelo VR-FuseNet alcanzó una impresionante tasa de precisión del 91.824% y un F1-score de 92, superando de manera considerable a arquitecturas individuales en métricas de rendimiento, lo que evidencia la eficacia de la extracción de características híbridas en tareas de clasificación de la retinopatía diabética. Además, se integra un conjunto de técnicas de Inteligencia Artificial Explicable que proporcionan mapas visuales claros que señalan las características retinianas clave que afectan la predicción del modelo, permitiendo así una validación por parte de los clínicos.
Pese a estos avances, persistieron desafíos como el desequilibrio de clases y el costo computacional en el proceso de entrenamiento del modelo. Las futuras investigaciones se centran en abordar estas limitaciones, incorporando métodos avanzados de aprendizaje, como los Transformers de Visión para mejorar la captura de características de largo alcance, y técnicas de adaptación de dominio para garantizar que el modelo pueda generalizar bien en condiciones clínicas reales. También se considera vital el uso de redes generativas adversariales (GAN) para integrar más datos sintéticos de calidad y mejorar aún más la precisión en las diferentes etapas de la retinopatía diabética.
Con estos avances, se espera que el modelo propuesto no solo facilite diagnósticos más precisos y rápidos, sino que también aumente la confianza de los médicos en el uso de herramientas automáticas de diagnóstico basado en inteligencia artificial, llevando a una mejor atención ocular global.