Un artículo publicado en el último número de la revista Ophthalmology, presenta los resultados de un estudio llevado a cabo con el objetivo de determinar la efectividad de una arquitectura LSTM convolucional (Long - Short Term Memory Convolutional), en la evaluación de la progresión de glaucoma y evaluar si la complementación de los datos de campo visual con datos clínicos de los pacientes, mejoraría el rendimiento del modelo.
La arquitectura LSTM es una extensión de las redes neuronales recurrentes, sistemas que permiten la persistencia de la información por medio de la introducción de bucles que les permiten “recordar” estados previos y utilizar esta información para decidir el siguiente, permitiendo el manejo de series cronológicas más largas, a través de una “memoria de largo plazo”.
Para detectar mejor el momento en que se produce la progresión del glaucoma, se utilizó un conjunto de datos longitudinales de campos visuales combinados y datos clínicos, para evaluar el rendimiento de una red neuronal convolucional de memoria a largo plazo a corto plazo (LSTM), mediante el desarrollo de un análisis retrospectivo de la información referida.
Se utilizaron tres algoritmos de progresión de glaucoma, de uso común (pendiente del índice de campo visual, pendiente de desviación media y regresión lineal puntual), para definir los ojos como estables o en progresión y se probaron dos modelos de aprendizaje automático, uno entrenado exclusivamente con datos de campo visual y otro entrenado con datos clínicos y de campo visual.
Los resultados del estudio, demostraron que una arquitectura LSTM convolucional puede capturar tendencias locales y globales en campos visuales a lo largo del tiempo, siendo adecuados para evaluar la progresión del glaucoma debido a su capacidad para extraer características espacio - temporales que no pueden ser calculadas por otros algoritmos.
Por otra parte, complementar los resultados de los campos visuales con datos clínicos, mejora significativamente la capacidad del modelo para evaluar la progresión del glaucoma y refleja mejor la forma en que los oftalmólogos manejan los datos cuando abordan pacientes con glaucoma.
Referencia
Dixit A, Yonahann J, Boland M. Assessing Glaucoma Progression Using Machine Learning Trained on Longitudinal Visual Field and Clinical Data. Ophthalmology. 2021; 128: (7): 1016 - 1026
Resumen disponible en
https://www.sciencedirect.com/science/article/abs/pii/S0161642020311969