An Intelligent Multimodal Deep Learning Framework for Early Diagnosis of Diabetic and Hypertensive Retinopathy Using Retinal Fundus Images

Resumen Técnico: Un Marco de Aprendizaje Profundo Multimodal Inteligente para el Diagnóstico Temprano de la Retinopatía Diabética e Hipertensiva

Planteamiento del Problema
La retinopatía diabética (RD) y la retinopatía hipertensiva (RH) son causas principales de pérdida de visión irreversible a nivel mundial. Si bien el diagnóstico temprano es crítico para prevenir la ceguera, las prácticas diagnósticas actuales enfrentan limitaciones significativas. La mayoría de los sistemas existentes dependen exclusivamente del análisis de imágenes de fondo de ojo, ignorando a menudo biomarcadores clínicos sistémicos vitales como los niveles de glucosa en sangre (hemoglobina glicosilada) y la presión arterial. Este enfoque de "solo imagen" puede conducir a una reducción en la precisión diagnóstica, particularmente en casos de etapa temprana o cuando la calidad de la imagen varía. Además, muchos modelos existentes se centran en la RD o la RH de forma aislada, en lugar de abordar ambas condiciones simultáneamente dentro de un marco unificado. También existe una brecha en la implementación clínica de sistemas multimodales que integren imágenes con registros de salud electrónicos (EHR) utilizando herramientas de prototipado accesibles como MATLAB.

Metodología
Los autores proponen un marco de aprendizaje profundo híbrido y multimodal implementado en MATLAB (R2023a) para diagnosticar tanto la RD como la RH mediante la fusión de imágenes de fondo de ojo con datos clínicos sistémicos.

1. Adquisición de Datos: El estudio utilizó un conjunto de datos de 1,200 imágenes de fondo de ojo de un hospital en Pune, India, acompañadas de sus correspondientes registros clínicos. El conjunto de datos incluyó 300 casos normales, 825 casos de RD (leve, moderada, severa) y 35 casos de RH. Los atributos clínicos incluyeron hemoglobina glicosilada (referida como registros de salud electrónicos en el texto), presión arterial sistólica (referida como registros electrónicos sistólicos) y duración de la enfermedad.
2. Preprocesamiento:
   • Imágenes: Las imágenes de fondo de ojo se sometieron a mejora de contraste mediante ecualización de histograma, reducción de ruido mediante filtrado de mediana, conversión a escala de grises y normalización de brillo.
   • Datos Clínicos: Las variables clínicas numéricas se normalizaron mediante el escalado z-score.
3. Segmentación y Extracción de Características:
   • Procesamiento de Imágenes: El marco empleó U-Net para la segmentación de vasos sanguíneos y del disco óptico, modelos de contorno activo para los contornos de las lesiones y crecimiento por regiones para la identificación de exudados.
   • Extracción de Características: Las características profundas se extrajeron de las regiones segmentadas utilizando Redes Neuronales Convolucionales (CNN).
4. Fusión Multimodal y Clasificación:
   • El sistema utiliza una estrategia de Fusión Intermedia (Conjunta). Las características de la imagen (extraídas vía CNN/Transformer de Visión) y las características clínicas (codificadas vía MLP o codificadores de texto) se concatenan o fusionan utilizando mecanismos de atención para crear una representación latente conjunta.
   • Las características fusionadas se pasan a través de una capa de clasificación (Softmax) para predecir las etiquetas de la enfermedad.
   • La arquitectura del modelo integra el aprendizaje profundo (CNN) con el procesamiento de datos clínicos mediante codificadores MLP y mecanismos de fusión de compuerta (gated fusion).
5. Validación: El conjunto de datos se dividió en conjuntos de entrenamiento (70%), validación (15%) y prueba (15%). El modelo fue evaluado mediante validación cruzada de 10 pliegues para asegurar la estabilidad y prevenir el sobreajuste.

Contribuciones Clave

• Detección de Patologías Duales: A diferencia de muchos trabajos previos que se centran en una sola enfermedad, este marco diagnostica simultáneamente la Retinopatía Diabética y la Hipertensiva.
• Integración Multimodal: El estudio demuestra la eficacia de fusionar el imagente de retina con biomarcadores sistémicos (hemoglobina glicosilada y presión arterial) para superar las limitaciones de los modelos de una sola modalidad.
• Implementación en MATLAB: El marco se desarrolla íntegramente en MATLAB, ofreciendo una solución escalable y de bajo costo adecuada para el prototipado médico y entornos con recursos limitados.
• Arquitectura Híbrida: La integración del aprendizaje profundo (CNN) con el procesamiento de datos clínicos (MLP) crea una herramienta diagnóstica robusta que captura tanto las lesiones retinianas locales como el contexto fisiológico sistémico.

Resultados
El marco multimodal propuesto demostró un rendimiento superior en comparación con las líneas base de una sola modalidad:

• Precisión: El modelo híbrido logró una precisión general del 98%.
• Comparación: Este superó a los modelos CNN de solo imagen (91.82% de precisión) y a los modelos de Random Forest de solo datos clínicos (85.90% de precisión).
• Métricas: El modelo alcanzó una Sensibilidad de 96.04%, una Especificidad de 98.10%, un F1-Score de 0.976 y un AUC de 0.98.
• Reducción de Errores: La integración de datos clínicos redujo los falsos negativos en aproximadamente un 40% en comparación con los enfoques CNN de línea base, mejorando particularmente la detección de las etapas tempranas de RD y RH.
• Significancia Estadística: Una prueba t pareada confirmó que la inclusión de características clínicas resultó en una mejora estadísticamente significativa en la precisión (p < 0.001). Las pruebas ANOVA también mostraron un efecto principal significativo del tipo de modalidad (F(2, 27) = 23.6, p < 0.0005).
• Generalización: El modelo mantuvo una precisión superior al 95% en diferentes grupos demográficos (edades 35–75) y etapas de la enfermedad.

Significancia y Reivindicaciones
El artículo afirma que este marco multimodal representa un "salto cuántico" respecto a los métodos tradicionales de solo imagen al mejorar significativamente la sensibilidad diagnóstica, especialmente para casos de etapa temprana donde los signos visuales son sutiles. Al incorporar el contexto sistémico (hemoglobina glicosilada y presión arterial), el sistema reduce los falsos negativos y mejora la estratificación del riesgo.

Los autores sostienen que el marco es particularmente valioso para:

• Tamizaje y Telemedicina: Proporcionar una solución escalable y de bajo costo para el tamizaje oftalmológico a gran escala, especialmente en áreas con acceso limitado a especialistas.
• Soporte de Decisión Clínica: Ofrecer una evaluación de riesgo completa que ayuda a una toma de decisiones más rápida y precisa.
• Diagnóstico Dual: Permitir el tamizaje tanto de la RD como de la RH a través de una única vía de adquisición de imagen.

El estudio concluye que, si bien los resultados actuales son prometedores, el trabajo futuro debe centrarse en validar el modelo con datos de múltiples centros, implementar el sistema en dispositivos móviles para el diagnóstico en el punto de atención y realizar estudios longitudinales para rastrear la progresión de la enfermedad y la respuesta al tratamiento.