Proyecto DeepScreenAMD

Técnicas de Deep Learning e Interpretación de Inteligencia Artificial en el cribado de la Degeneración Macular Asociada a la Edad.

El objetivo principal del proyecto consiste en diseñar, evaluar e interpretar un sistema de ayuda a la decisión basado en Deep Learning (DL) destinado a la detección temprana y precisa de la Degeneración Macula Asociada a la Edad (DMAE).

Descubre más

Grupo Responsable

GIB-UVa

El Grupo de Ingeniería Biomédica de la Universidad de Valladolid es un grupo multidisciplinar, formado principalmente por Ingenieros de Telecomunicación y Médicos de diferentes especialidades (neumología, neurología, electrofisiología, psiquiatría y oftalmología). Sus miembros tienen una amplia experiencia en el procesado de imágenes biomédicas para la ayuda al diagnóstico de diferentes enfermedades.

Web

Investigadoras principales:
María García Gadañón - maria.garcia.gadanon@uva.es
María Isabel López Gálvez - maribel@ioba.med.uva.es

Nuestros Objetivos

El objetivo principal del proyecto es diseñar, evaluar e interpretar un sistema de ayuda a las decisiones basado en deep learning (DL) destinado a la detección temprana y precisa de la DMAE. Para lograr este objetivo, se implementarán diferentes arquitecturas de diversos enfoques de DL. Además, para interpretar desde el punto de vista clínico todos los factores de riesgo detectados que conducen a la detección de DMAE a partir de imágenes de fondo de ojo, se realizará un análisis exhaustivo de cada modelo mediante técnicas XAI.

Objetivos específicos

Objetivo 1

Construir una base de datos privada de retinografías. Este objetivo incluye la captura, organización y anotación manual de las imágenes.

Objetivo 2

Diseñar y optimizar modelos individuales basados en enfoques novedosos de DL de alto rendimiento para el diagnóstico de la DMAE.

Objetivo 3

Explorar y desarrollar arquitecturas novedosas combinando los diferentes enfoques individuales basados en DL.

Objetivo 4

Evaluar los patrones detectados en las imágenes de fondo de ojo analizadas, evaluando su relación con la presencia y gravedad de DMAE y sus consecuencias.

Objetivo 5

Interpretar y explicar las decisiones diagnósticas de los modelos de DL en función de los factores de riesgo detectados.

Impacto esperado

Impacto cinetífico-técnico

  • Aplicación de técnicas emergentes de deep learning.
  • Identificación de elementos de referencia en retinografías para la detección temprana de la DMAE.
  • Análisis clínico de los resultados mediante la interpretación de modelos automatizados.
  • Desarrollo de nuevas aplicaciones software para la investigación en oftalmología, con potencial para integrarse en los dispositivos de los principales fabricantes.

Impacto social y sanitario/clínico

  • Reducción de las listas de espera en oftalmología.
  • Desarrollo de métodos automáticos que contribuyan al diagnóstico precoz de la DMAE y que ayuden a prevenir la evolución de la DMAE seca a la DMAE húmeda.
  • Mejora de la comprensión de la fisiopatología de la DMAE gracias a la aplicación de técnicas XAI.
  • Evaluación de las metodologías finales de diagnóstico/manejo en la práctica clínica con pacientes reales.
  • Publicar los resultados en un sitio web, redes sociales, repositorios de acceso abierto y revistas de divulgación científica para maximizar la difusión en la población general.
  • Creación de empleo.

Impacto económico

  • Disminución del número total de citas con el especialista y costes directos asociados.
  • Ahorro en recursos humanos y materiales, permitiendo ser asignado a tareas más exigentes.
  • Ahorro en costes indirectos relacionados con la salud, ya que el diagnóstico temprano y la terapia adecuada mejorarían la calidad de vida de las personas con DMAE.

Transferencia y explotación de los resultados

Acción 1

Identificación de resultados con alto potencial de ser explotados/transferidos, incluyendo pero no limitado a: (i) Nuevos algoritmos (software) para detectar DMAE basados en métodos DL; (ii) Nuevos algoritmos (software) para el manejo de pacientes con DMAE basados en métodos XAI.

Acción 2

Involucrar a los posibles promotores/observadores en las tareas de publicación y difusión.

Acción 3

Evaluación de la viabilidad de trasladar los sistemas automatizados de ayuda a la decisión a: (i) entornos de práctica clínica y (ii) empresas del ámbito de los servicios/terapias oftalmológicas, con el fin de aportar valor añadido a los pacientes.

Acción 4

Colaboración con la Oficina de Transferencia de Resultados de la Investigación (OTRI) de la UVa, que prestará asesoramiento y apoyo en las diferentes formas de transferencia y explotación de los resultados de la investigación.

Acción 5

Identificación de los conocimientos científico-técnicos con potencial para ser protegidos mediante derechos de propiedad intelectual. Evaluación de la posibilidad de solicitar licencias/patentes de software.

Acción 6

Análisis de mercado para identificar fortalezas y oportunidades, así como potenciales barreras y amenazas para explotar o transferir los resultados. Esto incluiría el contacto con instituciones de salud, empresas privadas y proveedores de servicios en el campo de la medicina oftalmológica.

Tareas del Proyecto

Diseño y creación de la base de datos del proyecto

Análisis de la base de datos pública AREDS. Creación de la base de datos privada de imágenes retinianas del entorno clínico. Anotación manual de las imágenes de la base de datos, incluyendo los signos clínicos de DMAE y la gravedad de la DMAE en cada imagen. Diseño de estrategias de validación.

Revisión bibliográfica de los métodos automáticos

Recopilación y análisis de los últimos estudios científicos relacionados con DL y XAI. Comparación entre métodos.

Implementación de los métodos automáticos seleccionados

Implementación, utilizando herramientas Matlab® y Python, de las arquitecturas DL y procedimientos XAI seleccionados.

Detección automática y graduación de la DMAE

Entrenamiento y validación de los métodos de DL empleando las imágenes de la base de datos, con el fin de detectar y clasificar la DMAE. Empleo de técnicas XAI para identificar las características de la imagen que, potencialmente, pueden constituir elementos de referencia en el contexto de la DMAE.

Análisis estadístico, discusión y extracción de conclusiones

Estudio y aplicación de los métodos estadísticos más adecuados para detectar la DMAE y graduar su gravedad en los pacientes. Estudio de los principales elementos de referencia de la imagen en el contexto de la detección y clasificación de DMAE. Interpretación de los resultados desde el punto de vista clínico. Extracción de las principales conclusiones del estudio.

Difusión y transferencia de resultados

Difusión de resultados preliminares en congresos. Publicación de artículos con los resultados del proyecto en revistas internacionales de prestigio. Preparación de material de difusión: página web, redes sociales, organización de jornadas, premios y notas de prensa. Elaboración de informes sobre la evolución del proyecto de las Entidades Promotoras Observadoras (OPs): Universidad de Oporto, Hospital Clínico Universitario de Valladolid. Reuniones anuales para discutir los resultados. Elaboración de informes sobre el desarrollo de patentes.

Gestión y coordinación

Coordinación y control de cada una de las tareas y subtareas.

Publicaciones relacionadas

Artículos JCR

Attention-based Deep Learning Framework for Automatic Fundus Image Processing to Aid in Diabetic Retinopathy Grading

Roberto Romero-Oraá et al. (2024)

Computer Methods and Programs in Biomedicine

Comunicaciones en congresos

An Explainable Deep-Learning Model to Aid in the Diagnosis of Age Related Macular Degeneration

María Herrero-Tudela et al. (2024)

9th European Medical and Biological Engineering Conference (EMBEC)

Transfer Learning from the Domain of Diabetic Retinopathy to Aid in the Detection of Age-Related Macular Degeneration

Roberto Romero-Oraá et al. (2024)

9th European Medical and Biological Engineering Conference (EMBEC)

Comparación de múltiples redes neuronales convolucionales para el diagnóstico automático de la degeneración macular asociada a la edad usando retinografías

Roberto Romero-Oraá et al. (2023)

XLI Congreso Anual de la Sociedad Española de Ingeniería Biomédica (CASEIB 2023)

Un enfoque explicativo para el diagnóstico de la degeneración macular asociada a la edad mediante técnicas de deep learning

María Herrero-Tudela et al. (2023)

XLI Congreso Anual de la Sociedad Española de Ingeniería Biomédica (CASEIB 2023)

Difusión

Síguenos por Twitter para conocer nuestros últimos avances del proyecto: @DeepScreenAMD

Agradecimientos


Biomedical Imaging Lab, University of Porto, Portugal

Hospital Clínico Universitario, Departamento de Oftalmología, Valladolid, España

Contacta con nosotros


Dirección

  • María García Gadañón
  • María Isabel López Gálvez
  • Investigadoras principales del proyecto
  • Paseo Belén 15 - CP. 47011 / Valladolid
  • tlfn +34 983 18 5570
  • maria.garcia.gadanon@uva.es