IA empleada en el análisis de parámetros para ortoqueratología

La inteligencia artificial (IA) ha experimentado un rápido crecimiento en los últimos años gracias al desarrollo acelerado de algoritmos y al aumento exponencial de la potencia a nivel informático. En el campo de la Optometría, la IA se ha aplicado en diferentes áreas de esta disciplina. En particular, los lentes de contacto (LC) han surgido como una área de interés especial debido a que su avance ha permitido la extracción de datos y la detección de patrones. Esto abre nuevas perspectivas en el diseño y la adaptación de los LC. (1).

Como ejemplo, Zhang y colaboradores (2024) llevaron a cabo un estudio sobre la aplicación de la IA en ortoqueratología (OK). Para ponerse en contexto, es importante destacar que la OK es un método temporal para corregir la ametropía mediante la remodelación nocturna de la córnea con el uso de lentes especiales. La investigación actual se centra en comprender cómo la OK influye en la progresión de la miopía, y los estudios sugieren que el desenfoque periférico podría ser un factor importante. Además, se están desarrollando métodos de evaluación, como el uso de redes neuronales para medir y mejorar la precisión del ajuste de lentes de OK, lo que podría tener un impacto significativo en la práctica clínica. (2).


Los estudios han revelado que una mayor distancia horizontal promedio entre el borde externo de la zona periférica de ajuste (PSZ, por su sigla en inglés) y el borde corneal indica un mejor control de la elongación axial. Por lo tanto, los investigadores han reconocido la importancia de la PSZ en el control del progreso de la miopía después de recibir tratamiento de OK. Además, las investigaciones han demostrado que cuando el sector horizontal de la PSZ se cruza con el área de la pupila, ejerce un control más efectivo sobre la elongación axial en comparación con los pacientes sin este sector de intersección. (3,4).

En la actualidad, se están investigando los factores que podrían afectar a la PSZ, así como la influencia de la PSZ en la Zona de Tratamiento (TZ, por sus siglas en inglés), utilizando métricas de evaluación como el ancho y el área de la PSZ. Por esta razón, Zhang y colaboradores (2024) presentaron un método eficiente y repetible para estimar la TZ y la PSZ después del tratamiento de OK utilizando un mapa de topografía corneal. Este método emplea un sistema de determinación automatizado basado en redes neuronales profundas con autoatención, lo que le permite focalizar su atención en los aspectos más relevantes de los datos de entrada para la tarea en cuestión que en este caso son la PSZ y la TZ. Esto se logra mediante la asignación de pesos dinámicos a diferentes partes de la entrada, lo que permite a la red aprender y adaptarse a patrones complejos en los datos. (3,4).

Para cumplir con los propósitos del estudio, se utilizó un algoritmo de segmentación semántica, que empleó un codificador jerárquico y un decodificador. Se implementó el aprendizaje por transferencia con estructuras previamente entrenadas en el conjunto de datos. Durante este proceso de entrenamiento, el centro geométrico del contorno de la TZ se calculó utilizando OpenCV-python (versión 4.6.0) para determinar la descentración del tratamiento, que se define como la distancia desde el centro de la TZ hasta la normal del vértice corneal. Siguiendo una metodología consistente con estudios previos, el ángulo de descentración de la zona de tratamiento se determinó como el ángulo logrado al rotar en sentido antihorario alrededor de la normal del vértice desde la posición de las 3 en punto.2.


Los autores describen que el modelo logró resultados satisfactorios en 135 imágenes de prueba, con un alto rendimiento del 97.19 % en la métrica “Intersección sobre Unión promedio” (mIoU, por su sigla en inglés), que es una métrica comúnmente utilizada para evaluar la precisión de los modelos de segmentación en tareas de visión por computadora. Además, el modelo alcanzó 98.98 % en precisión promedio de pixeles (mPA, por su sigla en inglés) y 99.03 % en precisión total. (2) Ver Figura 1.

Los autores también enfatizan que el rendimiento del modelo en la determinación de la Zona de PSZ, cuando presenta una diferencia significativa con respecto a la anotación manual, podría atribuirse a las interferencias de la topografía corneal causadas por la estabilidad de la película lagrimal, la altura del menisco lagrimal, la exposición incompleta de la córnea y el ajuste inadecuado. En comparación con las anotaciones manuales, el modelo de determinación automática también tiene la ventaja de una alta consistencia y repetibilidad. Durante el estudio, el modelo mostró una consistencia total en sus resultados de segmentación en diferentes dispositivos para las mismas imágenes de conjunto de pruebas, mientras que la repetibilidad de las anotaciones del mismo practicante fue menor que el rendimiento del modelo. En consecuencia, los autores indican que emplear este modelo en la investigación clínica, puede ser una base importante para investigación en OK posterior a evidencia que reporte la validación del modelo de IA para OK en el análisis de PZ y PSZ propuesto por Zhang et al. (2024).