Ítem
Acceso Abierto
Red neuronal artificial para la detección de edema macular diabético en imágenes de tomografía de coherencia óptica : estudio transversal de prueba diagnóstica
Título de la revista
Autores
Pinilla Gomez, Carlos Mario
Rosenstiehl, Shirley Margarita
Gomez, Flor Edith
Gonzalez, Fabio
Perdomo Charry, Oscar Julián
Rodríguez Alvira, Francisco José
Archivos
Fecha
2018-11-23
Directores
Rodríguez Alvira, Francisco José
ISSN de la revista
Título del volumen
Editor
Universidad del Rosario
Buscar en:
Métricas alternativas
Resumen
Objetivo: Determinar la exactitud de una red neuronal artificial para el diagnóstico de edema macular diabético en imágenes de tomografía de coherencia óptica de la macula. Diseño: Estudio transversal de prueba diagnóstica. Métodos: Se recolectaron 100 grupos de 5 imágenes obtenidas de ojos con diagnóstico de edema macular diabético y 100 grupos de imágenes sin edema macular diabético. El 70% de las imágenes se usaron para entrenar la red neuronal artificial y el 30% se usaron para el desarrollo de la prueba. Resultados: En el análisis por grupos de 5 imágenes se encontró una sensibilidad del 81.82% (IC 64.54-93.02%) y una especificidad del 88,89% (IC 70.84-97.65%), con una exactitud del 85,00% (IC 73.43-92.90%). El Valor Predictivo Positivo fue de 90.00% (IC 75.37-96.36%) y el Valor Predictivo Negativo del 80.00% (65.71-89.30%). Conclusiones: La RNA mostro un buen rendimiento para la identificación de EMD en imágenes de TCO de pacientes con DM. Se requieren estudios con mayor tamaño de muestra para mejorar la precisión de los resultados.
Abstract
Purpose: To calculate the accuracy of “OCT-net”, an artificial neural network, to diagnose diabetic macular edema using optical coherence tomography images. Study design: Cross-sectional diagnostic test study. Methods: we collected 100 image volumes from eyes diagnosed with diabetic macular edema and 100 volumes of healthy individuals, each volume contains 5 B-scan images. We split the images randomly in two datasets: 70% of the images were used to train the artificial neural network and 30% for testing its accuracy. Results: sensitivity was found to be 81,82% (CI 64,54-93,02%) and specificity 88,89% (CI 70,84-97,65%) in the image volume analysis. Positive and negative predictive values were 90% (CI 75,37-96,36%) and 80% (CI 65,71-89,30%) respectively. Conclusions: In our study, OCT-net showed a good performance on detecting diabetic macular edema in optic coherence tomography images. More studies with greater sample size are required.
Palabras clave
Edema Macular Diabético , Inteligencia Artificial , Retinopatía Diabética , Tomografía de coherencia óptica , Redes neuronales artificiales
Keywords
DIabetic macular edema , Diabetic retinopathy , Artificial intelligence , Neural networks , Optical coherence tomography
