| Nombre | Participación | Escuela |
|---|---|---|
| Miguel Abreu Cárdenas | Estudiante | |
| Saúl Calderón Ramírez | Profesor tutor | Ingeniería en Computación |
El aprendizaje profundo está revolucionando diversas áreas de la actividad humana, incluyendo el diagnóstico y pronóstico de enfermedades oftalmológicas. Cada vez son más las herramientas que facilitan la toma de decisiones por parte de los expertos en oftalmología. Estas tecnologías permiten ampliar la cobertura de los servicios médicos, lo cual es especialmente valioso en países en desarrollo como Costa Rica, donde el número de oftalmólogos es limitado y mayormente concentrado en el Valle Central. Una herramienta computacional que apoye el diagnóstico de retinopatías, como el cáncer de párpado o la retinopatía diabética, podría utilizarse como un método de tamizaje para priorizar la atención de pacientes con mayor riesgo. Esto no solo mejoraría la calidad de la atención, sino también su impacto. Dichas herramientas, empleadas de manera remota a través de telemedicina, permiten que un oftalmólogo, asistido por un operador, las utilice en clínicas de zonas alejadas de los grandes centros urbanos.
En la presente propuesta se plantea el desarrollo de un modelo de aprendizaje profundo para la segmentación y clasificación de tejidos oculares según la retinopatía detectada. Este modelo se desarrollará en colaboración con el proyecto titulado “Iriscience, dirigido por la Dra. Marisse Masis Solano. Para más información ver https://tech.cornell.edu/news/cornell-tech-announces-largest-cohort-to-…. El objetivo de este proyecto es crear una plataforma de hardware y software para el diagnóstico rápido y sencillo de las retinopatías más comunes.
El modelo propuesto no solo busca detectar retinopatías a nivel de píxeles, sino también hacerlo de manera segura mediante la estimación de incertidumbre en cada segmentación. Esta capacidad de estimación permitirá al usuario conocer el grado de confiabilidad de las predicciones del modelo. Además, se pretende optimizar los algoritmos para reducir el costo computacional, lo cual es crucial en entornos con recursos limitados, como clínicas en zonas remotas con baja conectividad.
El modelo a plantear en este proyecto utilizará entonces imágenes digitales de fotografías del segmento anterior (usando repositorios de datos abiertos y recopilados por el socio del proyecto en la Universidad de Cornell), con distintos ángulos. Usando tales entradas, el modelo estimara la presencia de los siguientes padecimientos: cataratas, retinopatía diabética y/o segmento anterior, junto con la estimación de incertidumbre de forma computacionalmente eficiente.
La solución propuesta en el presente proyecto se plantea como una asistencia por computador a implementar en el futuro en hospitales y clínicas Caja Costarricense del Seguro Social (CCSS). Si bien el proyecto no cuenta oficialmente con una etapa de prueba en algún hospital o clínica de la CCSS, en una etapa posterior se espera proponer su puesta en marcha en uno o más hospitales del sistema de salud publico administrado por la CCSS. La puesta en marcha de servicios asistidos por inteligencia artificial en oftalmología es urgente, puesto que, por ejemplo, en el hospital “Enrique Baltodano Briceño” de Liberia se suspendieron el año pasado las consultas y cirugía de pterigión debido a falta de personal y estrategia de priorización de cirugía de catarata.