Identifying Intraoperative Floppy Iris Syndrome (IFIS) Using AI

Resumen Técnico: Identificación del Síndrome de Iris Flácido Intraoperatorio (IFIS) mediante IA

Planteamiento del Problema
El Síndrome de Iris Flácido Intraoperatorio (IFIS) es una condición caracterizada por una dilatación pupilar deficiente y un iris elástico que se resiste al estiramiento mecánico durante la cirugía de catarata. Esto aumenta significamente el riesgo de complicaciones intraoperatorias, incluyendo lesión del iris, dehiscencia de la herida, ruptura de la cápsula posterior y pérdida vítrea, lo que puede derivar en un deterioro visual a largo plazo. Actualmente, la predicción preoperatoria del IFIS depende principalmente de factores de riesgo clínicos, notablemente del uso de medicamentos antagonistas de la alfa-1. Sin embargo, una parte significativa de los casos de IFIS ocurre en pacientes sin antecedentes de uso de dichos medicamentos, y la evaluación clínica por sí sola puede omitir indicadores anatómicos sutiles. El estudio evalúa si los algoritmos de Inteligencia Artificial (IA) pueden utilizar imágenes del segmento anterior de rutina preoperatoria para identificar a pacientes en riesgo de IFIS de manera más efectiva que los métodos actuales.

Metodología
El estudio utilizó una cohorte retrospectiva de 2,220 pacientes (3,239 ojos) que se sometieron a cirugía de catarata en el Centro Médico Rabin entre abril de 2016 y noviembre de 2022. El conjunto de datos se dividió en conjuntos de entrenamiento (60%), validación (20%) y prueba (20%), asegurando que las imágenes del mismo ID de paciente no aparecieran en diferentes conjuntos para evitar la fuga de datos.

• Adquisición de Datos: Las imágenes preoperatorias se adquirieron utilizando el biometro óptico Tomey OA-2000, que captura tanto imágenes infrarrojas (IR) como imágenes de tomografía de coherencia óptica de fuente barrida (SS-OCT). El diagnóstico de IFIS se confirmó basándose en el informe quirúrgico donde el cirujano operante anotó explícitamente la presencia del síndrome.
• Procesamiento de Imágenes: Las imágenes infrarrojas (originalmente de 360×330 en escala de grises) se redimensionaron a 224×224 píxeles, centradas en la pupila, y se convirtieron en tensores RGB. Se aplicaron técnicas de aumento de datos, incluyendo giros horizontales/verticales y "rebanado de pizza" (segmentación de las imágenes en 4 u 8 rebanadas), al conjunto de entrenamiento para abordar el desequilibrio de clases.
• Arquitecturas de Modelos:
  • Clasificación de Infrarrojo: Se evaluaron cuatro arquitecturas de Redes Neuronales Convolucionales (CNN): ConvNeXt-large-224, ResNet-50, EfficientNet-b7 y MobileNet. Todas fueron preentrenadas en ImageNet-1K y ajustadas finamente durante 20 épocas.
  • Clasificación de OCT: Se entrenó un modelo ResNet-50 con imágenes del segmento anterior de OCT.
  • Detección de Anomalías: Se empleó un modelo EfficientAd (arquitectura estudiante-profesor) para detectar el IFIS como una anomalía dentro del conjunto de datos.
  • Estrategia de Ensamblaje: Para las imágenes de OCT, se aplicó el voto por mayoría entre múltiples imágenes del mismo ojo para determinar la clasificación final.
• Línea Base Humana: Dos cirujanos de catarata experimentados, cegados a todos los datos clínicos, evaluaron manualmente un subconjunto de 100 imágenes infrarrojas para establecer una línea base de desempeño humano.
• Análisis Estadístico: El desempeño se evaluó mediante el Área Bajo la Curva de Característica Operativa del Receptor (AUC), sensibilidad, especificidad y exactitud. También se realizó una regresión logística multivariante para correlacionar variables clínicas (ej. uso de antagonistas de la alfa-1, tamaño pupilar, profundidad de la cámara anterior) con la ocurrencia de IFIS.

Resultados Clave

• Demografía Clínica: La cohorte incluyó 243 ojos (7.5%) con IFIS confirmado. Se encontraron diferencias significativas entre los grupos con y sin IFIS respecto a la edad (mayor en IFIS), uso de antagonistas de la alfa-1 (14.3% vs. 4.7%), profundidad de la cámara anterior (más superficial en IFIS), grosor del cristalino (más ancho en IFIS) y tamaño pupilar (menor en IFIS).
• Regresión Logística Multivariante: Un modelo basado en variables clínicas logró un AUC del 70%. Los predictores clave incluyeron el uso de antagonistas de la alfa-1 (OR 1.14), género y tamaño pupilar.
• Graduadores Humanos: Los dos cirujanos humanos lograron AUCs de 55% y 49% respectivamente al evaluar únicamente imágenes infrarrojas, lo que indica una capacidad limitada para predecir visualmente el IFIS sin datos adicionales.
• Desempeño de los Modelos de IA:
  • Clasificación de Infrarrojo: El modelo ConvNeXt-large-224 logró el mejor desempeño entre las CNN con un AUC de 65.5%. Otros modelos (EfficientNet-b7, MobileNet, ResNet-50) tuvieron un desempeño inferior, con AUCs que oscilaron entre 39.8% y 54.6%. Los modelos tuvieron dificultades con el desequilibrio de clases, mostrando una baja recuperación binaria (ej. 4.26% para ConvNeXt) a pesar de una alta recuperación ponderada.
  • Clasificación de OCT: El modelo ResNet-50 en imágenes de OCT logró un AUC de 57.8% en imágenes individuales, el cual mejoró a 61.7% cuando se aplicó el voto por mayoría.
  • Detección de Anomalías: El modelo EfficientAd logró un AUC de 53.3% (53.5% en la sección de resultados), con una recuperación perfecta (100%) pero baja precisión (26.8%) y exactitud (26.9%).

Contribuciones Clave y Significado
El estudio demuestra que los algoritmos de IA pueden asistir a los oftalmólogos en la identificación de pacientes en riesgo de IFIS utilizando imágenes preoperatorias de rutina, superando potencialmente a cirujanos experimentados cuando estos dependen únicamente del análisis de imágenes. Específicamente:

1. Superioridad a la Evaluación Visual Humana: El mejor modelo de IA (ConvNeXt-large-224) alcanzó un AUC de 65.5%, superando el desempeño de los graduadores humanos (49–55%) al predecir IFIS únicamente desde imágenes infrarrojas.
2. Integración de Modalidades de Imagen: La investigación valida la utilidad tanto de las imágenes infrarrojas como de las de OCT para esta tarea, siendo que la regresión logística multivariante (datos clínicos) alcanzó el AUC más alto (70%), lo que sugiere que el análisis de imágenes por IA complementa, en lugar de reemplazar, la evaluación de factores de riesgo clínicos.
3. Abordaje del Desequilibrio de Clases: El estudio destaca la dificultad de detectar el IFIS debido a su baja prevalencia (~7.5%) y al resultante desequilibrio de clases, lo que impacta severamente la precisión y la recuperación de los modelos. Los autores señalan que, aunque la detección de anomalías ofreció una sensibilidad perfecta, requiere mayor optimización para equilibrar la precisión.

Limitaciones y Direcciones Futuras
Los autores reconocen varias limitaciones, incluyendo el conjunto de datos desequilibrado, la variabilidad en el reporte de la severidad del IFIS por parte de los cirujanos y el uso de imágenes infrarrojas en escala de grises que carecen de información de color (como el color del iris, previamente vinculado al riesgo de IFIS). El artículo concluye que, si bien la IA es prometedora, se requiere investigación adicional en otras modalidades de imagen y optimización de modelos para mejorar la precisión de la predicción y la generalización antes de su implementación clínica. El estudio no afirma que la IA pueda reemplazar actualmente el juicio clínico, sino que sirve como una herramienta complementaria potencial para una planificación quirúrgica más segura.