El glaucoma es una enfermedad silenciosa que afecta a millones de personas en el Mundo, podría tener un aliado revolucionario: la inteligencia artificial. Silvia Alayón es profesora titular del Departamento de Ingeniería Informática y de Sistemas de la Universidad de La Laguna (ULL). Alayón lidera un proyecto que busca mejorar su diagnóstico precoz mediante aprendizaje profundo. En colaboración con el Hospital Universitario de Canarias, el equipo desarrolla una herramienta basada en IA para analizar retinografías con mayor precisión. El proyecto, titulado Hacia una estrategia colaborativa para el diagnóstico del glaucoma mediante aprendizaje profundo explicable, reduce la subjetividad en el diagnóstico y facilita la detección temprana.
¿Qué motivó el inicio de este proyecto y cómo surgió la colaboración con el Hospital Universitario de Canarias? «El Grupo de Análisis de Imágenes Médicas (GAIM), lleva años trabajando en esta línea de investigación. De hecho, colaboramos con especialistas en glaucoma del Hospital Universitario de Canarias desde 2008 y hemos participado en proyectos competitivos a nivel regional y nacional. Esta iniciativa representa la continuación natural de ese esfuerzo multidisciplinar».
El glaucoma es una enfermedad difícil de detectar en sus fases tempranas. ¿Cómo puede la inteligencia artificial mejorar el diagnóstico precoz en comparación con los métodos tradicionales? «Se trata de una enfermedad crónica que causa ceguera irreversible y que es difícil de diagnosticar en sus primeras etapas debido a su carácter asintomático. La IA puede complementar las pruebas clínicas tradicionales, como las retinografías, proporcionando un análisis automatizado que reduce la subjetividad y el tiempo de evaluación. Las técnicas de Aprendizaje Profundo permiten detectar patrones y relaciones que pueden pasar desapercibidos al ojo humano».
El proyecto busca desarrollar un sistema de aprendizaje profundo explicable. ¿Podría explicarnos cómo funciona y qué ventajas ofrece? «La explicabilidad es fundamental en la IA aplicada a la Medicina. Un sistema de Aprendizaje Profundo explicable no solo ofrece un diagnóstico, sino que también indica las razones de su conclusión, señalando las regiones de la imagen o los parámetros que han influido en su decisión. Si quienes investigan entienden cómo el sistema llega a su diagnóstico, tendrán mayor confianza en su uso y podrán incluso descubrir nuevos biomarcadores de la enfermedad».
«El principal reto es la disponibilidad de datos»
¿Cuáles han sido los principales desafíos técnicos y clínicos en el desarrollo del sistema? «El principal reto es la disponibilidad de datos. Para entrenar modelos de IA se necesitan grandes volúmenes de imágenes médicas bien etiquetadas, pero estas están protegidas por la normativa de protección de datos. Hemos firmado convenios con el Hospital Universitario de Canarias para acceder a retinografías. Además, buscamos colaborar con otros hospitales para ampliar la base de datos y mejorar la generalización del modelo».
Dado que el sistema debe utilizarse en diferentes entornos clínicos, ¿qué medidas han tomado para garantizar su compatibilidad? «El sistema se diseña como una aplicación web accesible sin necesidad de equipamiento específico. No obstante, la generalización sigue siendo un desafío, ya que los modelos de IA pueden tener menor precisión cuando se aplican a imágenes obtenidas en condiciones diferentes a las del entrenamiento. Para mitigar esto, estamos investigando técnicas para reducir el impacto de las condiciones de adquisición de la imagen y fomentando la colaboración con otros hospitales para diversificar los datos».
El diagnóstico automatizado puede generar reticencias en el ámbito médico. ¿Cómo han abordado la confianza y aceptación de los profesionales sanitarios? «La clave está en la explicabilidad del sistema. Si los especialistas entienden el razonamiento del modelo y pueden comprobar su fiabilidad, es más probable que lo adopten en su práctica clínica. La IA no sustituye al médico, sino que lo asiste en la toma de decisiones».
«Planeamos ampliar la colaboración con otros hospitales para seguir entrenando y perfeccionando la herramienta»
Este proyecto sigue una estrategia colaborativa. ¿Qué impacto espera que tenga en la oftalmología y en la prevención de la ceguera? «Esperamos que esta herramienta ayude a mejorar la detección temprana del glaucoma y que, a largo plazo, pueda integrarse en la práctica clínica de diferentes instituciones. Además, su acceso abierto podría beneficiar a profesionales de la salud en zonas con menos recursos».
¿En qué fase se encuentra actualmente el proyecto y cuáles son los siguientes pasos? «Ya contamos con un prototipo funcional, Glaucoma-DL, que puede procesar retinografías y ofrecer una probabilidad de presencia de glaucoma. Ahora estamos trabajando en mejorar la explicabilidad del modelo y su capacidad de generalización. Una vez logrados estos avances, planeamos ampliar la colaboración con otros hospitales para seguir entrenando y perfeccionando la herramienta».
A largo plazo, ¿cree que este modelo podría aplicarse a la detección de otras patologías? «Sin duda. Aunque actualmente el modelo está diseñado específicamente para el glaucoma, podría adaptarse a otras enfermedades que también dependan del análisis de imágenes médicas. Solo sería necesario reentrenarlo con un nuevo conjunto de datos adecuados».
