📄 medicine

Interpretable Fundus Image Classification via Ring-Based Retinal Vasculature Features

Este estudio presenta un marco de clasificación de imágenes de fondo de ojo interpretable que utiliza descriptores de la vasculatura retiniana basados en anillos para lograr un rendimiento comparable al de los modelos preentrenados a gran escala, ofreciendo al mismo tiempo una mayor transparencia y requiriendo un mínimo de datos de entrenamiento específicos para la tarea.

Autores originales: Xiaoyan Li, Shixin Xu, Arvind Gupta, Huaxiong Huang

Publicado 2026-09-08

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Xiaoyan Li, Shixin Xu, Arvind Gupta, Huaxiong Huang

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Cada día, millones de personas dependen de la fotografía de fondo de ojo, una técnica de cámara especializada que captura la parte posterior del ojo, para detectar enfermedades que amenazan la visión. Esta simple imagen contiene una gran riqueza de información sobre la salud del cuerpo, particularmente en relación con afecciones como la retinopatía diabética y el glaucoma, que son las principales causas de ceguera en todo el mundo. Durante décadas, los médicos han examinado estas fotografías a ojo, buscando cambios sutiles en la delicada red de vasos sanguíneos que suministran sangre a la retina. Comprueban si los vasos se han vuelto demasiado anchos, demasiado retorcidos o han cambiado de color, utilizando estas pistas visuales para diagnosticar la enfermedad. Sin embargo, este juicio humano puede variar de un médico a otro, y el enorme volumen de imágenes hace que el cribado constante y rápido sea difícil. En años recientes, potentes programas informáticos conocidos como modelos de aprendizaje profundo han sido entrenados para leer estas imágenes automáticamente, a menudo igualando o superando la precisión humana. Sin embargo, estos programas operan como cajas negras; realizan un diagnóstico basándose en patrones complejos y ocultos que son imposibles de ver o comprender para un humano, dejando a los médicos sin saber por qué la computadora llegó a su conclusión.

Un nuevo estudio de investigadores de la Universidad de Toronto, la Universidad de Duke Kunshan y la Universidad de York ofrece un camino diferente hacia adelante. En lugar de depender de patrones ocultos, desarrollaron un método que descompone la imagen del ojo en una serie de anillos concéntricos, de forma muy parecida a los anillos de un árbol, centrados en el disco óptico donde entran los principales vasos sanguíneos en el ojo. Al medir características específicas y comprensibles de los vasos sanguíneos dentro de cada anillo —como su grosor, cómo se ramifican, su color y cómo contrastan con el tejido circundante—, el equipo creó un mapa claro y transparente de la salud vascular del ojo. Este enfoque no solo le dice al médico si un paciente tiene una enfermedad; explica exactamente qué partes de la red de vasos sanguíneos y qué rasgos físicos específicos llevaron a esa conclusión. Los investigadores encontraron que este método, que se basa en mediciones directas en lugar de algoritmos ocultos, puede clasificar enfermedades oculares con alta precisión, igualando el rendimiento de los modelos informáticos más avanzados y complejos, manteniéndose totalmente comprensible para un observador humano.

El núcleo de este trabajo reside en cómo los investigadores organizaron la información. Dividieron la imagen de fondo de ojo en zonas circulares que irradian hacia afuera desde el disco óptico. En cada zona, calcularon cuatro tipos distintos de información. Primero, midieron la geometría de los vasos, contando cuántas ramificaciones aparecían y qué parte del área estaba cubierta por los vasos sanguíneos. Segundo, analizaron el color de los vasos, observando el equilibrio entre la luz roja y la verde, lo que puede indicar cuánta oxígeno transporta la sangre. Tercero, examinaron la textura del área inmediatamente circundante a los vasos, comprobando cambios sutiles en el fondo que podrían señalar una enfermedad. Finalmente, combinaron estas mediciones en un conjunto único y compacto de números para cada imagen. Este proceso transforma una fotografía compleja y colorida en una lista estructurada de hechos que un clasificador informático simple puede leer. El resultado es un sistema que no solo es preciso, sino también interpretable, permitiendo al médico ver exactamente qué anillo o qué característica contribuyó más al diagnóstico.

Cuando los investigadores probaron este sistema basado en anillos en tres colecciones públicas diferentes de imágenes oculares, los resultados fueron sorprendentes. En un conjunto de datos que contenía imágenes de alta calidad con mapas de vasos dibujados por expertos, el método alcanzó una precisión perfecta. En otro conjunto de datos con imágenes más desafiantes y de menor calidad, aun así funcionó excepcionalmente bien, igualando la precisión de RETFound, un modelo de inteligencia artificial de vanguardia que fue entrenado con más de 1,6 millones de imágenes retinianas. Esta comparación es significativa porque sugiere que el método transparente y simple de los investigadores puede competir con modelos de aprendizaje profundo masivos y complejos sin necesidad de cantidades enormes de datos o potencia de cálculo. De hecho, el estudio reveló que estos potentes modelos de aprendizaje profundo podrían estar recurriendo a atajos. Cuando los investigadores alteraron el fondo de las imágenes o cambiaron el tamaño del campo de visión visible, el rendimiento de los modelos de aprendizaje profundo disminuyó significativamente. Esto sugiere que estos modelos avanzados a veces estaban captando pistas relacionadas con cómo se tomó la foto —como la configuración de la cámara o el encuadre específico— en lugar de centrarse solo en los signos biológicos de la enfermedad. El método basado en anillos, por el contrario, se mantuvo estable porque se centró estrictamente en las propiedades físicas de los propios vasos sanguíneos.

El estudio también exploró cómo la calidad de los mapas de vasos iniciales afectaba el diagnóstico final. En los casos en que la computadora tuvo que adivinar la ubicación de los vasos sanguíneos automáticamente, la precisión fue ligeramente inferior a cuando los expertos proporcionaron los mapas, pero seguía siendo muy sólida. Esto indica que, si bien la detección precisa de los vasos es importante, el método es lo suficientemente robusto como para manejar las variaciones del mundo real en la calidad de la imagen. Además, los investigadores descubrieron que diferentes tipos de características importaban de distintas maneras. Por ejemplo, las mediciones relacionadas con el color y la oxigenación de la sangre proporcionaron información única que la geometría por sí sola no podría capturar. Cuando eliminaron estas características basadas en el color de su modelo, la precisión disminuyó notablemente, demostrando que la combinación de forma, color y textura es esencial para una imagen completa.

Quizás lo más importante es que los investigadores demostraron que su método podía ser comprendido. Crearon mapas de calor visuales que resaltaban exactamente qué anillos del ojo respaldaban el diagnóstico. Para un ojo sano, el sistema señalaba anillos específicos donde los patrones vasculares coincidían con una norma saludable. Para un ojo enfermo, resaltaba anillos donde los vasos eran demasiado delgados, demasiado retorcidos o tenían el color incorrecto. Este nivel de transparencia es algo que los modelos de aprendizaje profundo tienen dificultades para proporcionar. Mientras que un modelo de aprendizaje profundo podría decir "esto es glaucoma", a menudo no puede explicar por qué. El método basado en anillos, sin embargo, puede decir "esto es glaucoma porque los vasos en el anillo más cercano al disco óptico son significativamente más delgados de lo habitual". Esta capacidad de vincular un diagnóstico directamente con un cambio físico medible hace que la herramienta sea valiosa no solo para el cribado, sino también para comprender la progresión de la enfermedad.

Los investigadores fueron cuidadosos al señalar las limitaciones de su trabajo. El método depende de la capacidad de identificar con precisión los vasos sanguíneos en primer lugar; si la imagen es demasiado borrosa o los vasos son demasiado tenues, las mediciones pueden ser menos fiables. También reconocieron que sus mediciones de color son relativas y no están calibradas según estándares fisiológicos absolutos, lo que significa que son mejores para comparar imágenes en lugar de medir niveles exactos de oxígeno. A pesar de estas restricciones, el estudio sugiere una dirección prometedora para el futuro de las imágenes médicas. Al volver a las propiedades fundamentales y observables del ojo y organizarlas de una manera que refleje la comprensión anatómica humana, los investigadores han creado una herramienta que es tanto poderosa como transparente. Ofrece una forma de aprovechar la velocidad de las computadoras sin perder la capacidad de confiar y comprender el diagnóstico. En una era en la que la inteligencia artificial se está volviendo cada vez más sofisticada, este trabajo nos recuerda que, a veces, la herramienta más eficaz es aquella que habla el mismo lenguaje que el médico que la utiliza.

Resumen Técnico: Clasificación de Imágenes de Fondo de Ojo Interpretable mediante Características de la Vasculatura Retiniana Basadas en Anillos

Planteamiento del Problema
La fotografía de fondo de ojo es una modalidad primaria para el cribado y monitoreo de enfermedades oculares como la retinopatía diabética (RD) y el glaucoma. Aunque los modelos de aprendizaje profundo, particularmente los Vision Transformers (ViT) y las arquitecturas híbridas CNN-ViT, han logrado un sólido rendimiento predictivo, a menudo dependen de representaciones latentes que carecen de interpretabilidad clínica. Además, estos modelos pueden aprender inadvertidamente claves espaciales relacionadas con la adquisición (por ejemplo, el tamaño del campo de visión o los límites de la imagen) o características del fondo no vasculares en lugar de anomalías retinianas fisiológicamente significativas. Existe la necesidad de marcos de clasificación que mantengan el poder discriminativo proporcionando, al mismo tiempo, un vínculo transparente entre las predicciones del modelo y las características retinianas medibles y clínicamente relevantes, específicamente las alteraciones vasculares que son centrales en la patofisiología de la RD y el glaucoma.

Metodología
Los autores proponen un marco interpretable que clasifica las imágenes de fondo de ojo basándose en una representación estructurada en anillos de la vasculatura retiniana centrada en el disco óptico. El proceso sigue este flujo:

Partición Basada en Anillos: El campo de visión (FOV) se particiona en anillos concéntricos alrededor del disco óptico. Cada anillo tiene un ancho radial de 0.5 veces el diámetro del disco óptico (0.5×DD), lo que proporciona una escala normalizada anatómicamente independiente de la resolución absoluta de la imagen.
Extracción de Características: Dentro de cada anillo, se extraen cuatro familias complementarias de características a partir de máscaras de vasos y mediciones de densidad óptica:
- Geometría Vascular: Incluye la fracción de área vascular (VAF), la densidad de longitud vascular (VLD), la densidad de puntos de ramificación (BPD), el calibre vascular (estimado mediante la transformada de distancia euclidiana), la relación arteria-vena (AVR), la longitud de vasos finos, la relación de diámetro grueso-fino, la tortuosidad (relación arco-cuerda), la curvatura y métricas de conectividad vascular derivadas de representaciones de grafos del esqueleto vascular.
- Apariencia Proxy de $SO_2$ Derivada del OD: Basándose en el principio de oximetría de retina de doble longitud de onda, el método estima la densidad óptica (OD) a partir de las intensidades RGB. Utilizando una aproximación de Beer-Lambert y mínimos cuadrados con regularización de ridge, invierte estos valores de OD para generar un proxy de la saturación de oxígeno ( $SO_2$ ), capturando cambios de apariencia relacionados con la oxigenación.
- Características de Color Rojo-Verde: Descriptores empíricos, incluyendo la relación rojo-verde y la diferencia normalizada rojo-verde, calculados directamente a partir de las intensidades originales de la imagen para capturar las características del color vascular.
- Entropía Vaso-Fondo: La complejidad de la textura local (entropía de Shannon) se calcula en un canal verde fotométricamente normalizado tanto para los píxeles del eje central de los vasos como para una banda de fondo cercana al vaso, capturando variaciones de textura perivascular.
Agregación y Clasificación: Las características dentro de cada anillo se resumen utilizando la mediana y el rango intercuartílico (IQR) para asegurar la robustez frente al ruido y las distribidades sesgadas. Los vectores de características por anillo se concatenan, estandarizan y se introducen en un clasificador de regresión logística con regularización de elastic-net.
Mecanismo de Interpretabilidad: El marco genera "mapas de calor de evidencia por anillo" calculando la contribución con signo de cada característica a la diferencia de logit entre la clase predicha y la segunda mejor clase. Esto permite la visualización de qué regiones anulares y descriptores vasculares específicos sustentan un diagnóstico específico.

Contribuciones Clave

Representación Interpretable: El artículo introduce un conjunto compacto de descriptores motivados fisiológicamente que cuantifican explícitamente la geometría vascular, el color, la apariencia relacionada con la oxigenación y la entropía vaso-fondo a través de la excentricidad retiniana.
Benchmarking de Rendimiento: El método demuestra un sólido rendimiento de clasificación en tres conjuntos de datos públicos (HRF, FIVES, SUSTech-SYSU) para clases de salud, RD y glaucoma. En el conjunto de datos HRF, utilizando máscaras de vasos generadas automáticamente, el método alcanzó un 91.1% de precisión, igualando el rendimiento de RETFound (un vision transformer preentrenado a gran escala) bajo el mismo entorno de evaluación.
Análisis de la Sensibilidad de Modelos Preentrenados: A través de experimentos controlados de estandarización de FOV y perturbaciones del fondo no vascular, los autores demuestran que los modelos de imagen preentrenados (incluyendo RETFound) son sensibles a las características espaciales de la adquisición y a la apariencia del fondo no vascular, lo que puede no alinearse con los criterios de evaluación clínica.
Validación Cruzada de Conjuntos de Datos: El estudio muestra que los descriptores basados en anillos propuestos, particularmente cuando se normalizan por el disco óptico y se excluyen las características de color puras, exhiben una mejor transferibilidad en un entorno de validación cruzada (de FIVES a HRF) en comparación con los embeddings de imagen completa congelados de modelos preentrenados.

Resultados

Precisión de Clasificación:
- HRF: 100.0% de precisión con máscaras de vasos expertas; 91.1% con máscaras predichas (igualando a RETFound).
- SUSTech-SYSU: 89.6% de precisión (RD binaria vs. saludable), aunque los modelos preentrenados como ConvNeXt-B y ViT-B/16 fueron ligeramente superiores (96.4% y 95.3%, respectivamente).
- FIVES: 76.6% de precisión con máscaras expertas y 72.4% con máscaras predichas. RETFound alcanzó un 80.6% en este conjunto de datos. Los autores atribuyen el menor rendimiento de su método en FIVES en parte a la variabilidad de la calidad de la imagen (desenfoque, distorsión) que afecta a los descriptores dependientes de la segmentación.
Estudios de Ablación: La eliminación de las características proxy de $SO_2$ causó la mayor caída en la precisión (de 91.1% a 77.8% en HRF), indicando que la apariencia relacionada con la oxigenación proporciona información complementaria no capturada únicamente por la geometría o el color.
Análisis de Sensibilidad: La estandarización del FOV en el conjunto de datos FIVES redujo significativamente la precisión de los modelos preentrenados (por ejemplo, RETFound cayó de 92.7% a 80.6%), sugiriendo que estos modelos dependen de la geometría del FOV y de las características de la adquisición. Por el contrario, el rendimiento del método basado en anillos está vinculado a mediciones vasculares explícitas.
Calidad de la Explicación: Las comparaciones cualitativas muestran que, mientras que los mapas de atribución de RETFound suelen resaltar regiones no vasculares (por ejemplo, áreas de la mácula), los mapas de calor del método propuesto vinculan explícitamente las predicciones a regiones vasculares anulares específicas y descriptores medibles (por ejemplo, la reducción de la fracción de área vascular en el glaucoma).

Significancia y Reivindicaciones
El artículo sostiene que este marco respalda la clasificación interpretable de enfermedades y el fenotipado cuantitativo de la retina sin requerir grandes conjuntos de datos de entrenamiento específicos para la tarea. Al construir características a partir de mediciones vasculares fisiológicamente significativas, el método ofrece una alternativa transparente a los modelos de aprendizaje profundo de "caja negra". Los autores enfatizan que su enfoque proporciona un vínculo directo entre las predicciones del modelo y las características retinianas, facilitando la inspección de las contribuciones de las características.

El estudio reconoce modestamente las limitaciones: el marco depende de una segmentación de vasos fiable y de mediciones estables de color e intensidad, que pueden verse comprometidas por artefactos de imagen o patologías severas. Las características proxy de $SO_2$ se describen como "proxies de densidad óptica relacionados con la oxigenación" en lugar de mediciones fisiológicas calibradas, ya que dependen de las intensidades RGB sujetas a la sensibilidad espectral de la cámara y a los procesos de procesamiento. Los autores afirman que, si bien los resultados son prometedores, se requiere una validación más amplia en diversas instituciones, dispositivos de imagen y poblaciones para establecer una robustez general. No pretenden que su método supere al aprendizaje profundo en todos los contextos, sino que ofrece un enfoque complementario e interpretable para el análisis de imágenes retinianas.

Más como este