A Systematic Review of Deep Learning Methods Applied to Ocular Images

La inteligencia artificial tiene un importante impacto en diversas áreas de la medicina, y la oftalmología no ha sido la excepción. En particular, los métodos de aprendizaje profundo han sido aplicados con éxito en la detección de signos clínicos y la clasificación de enfermedades oculares. Esto representa un impacto potencial en el incremento de pacientes correcta y oportunamente diagnosticados. En oftalmología, los métodos de aprendizaje profundo se han aplicado principalmente en imágenes de fondo de ojo y tomografia de coherencia óptica. Por un lado, estos métodos han logrado un rendimiento sobresaliente en la detección de enfermedades oculares tales como la retinopatía diabética, el glaucoma, la degeneración macular diabética y la degeneración macular relacionada con la edad. Por otro lado, varios desafíos mundiales han compartido grandes conjuntos de datos con segmentación de parte de los ojos, signos clínicos y el diagnóstico ocular realizado por expertos. Adicionalmente, estos métodos han venido rompiendo el estigma de los modelos de caja negra, proveyendo información clínica interpretable. Esta revisión proporciona una visión general de los métodos de aprendizaje profundo de última generación utilizados en imágenes oftálmicas, bases de datos y posibles desafíos para los diagnósticos oculares