| Número 4 - Diciembre 1999 | ARTÍCULO ORIGINAL |
Luque Valentín-Fdez. ML, Rodríguez Ausín MP, Yáñez Martínez J
Objetivo: Valorar la posibilidad y en su caso desarrollar una red neuronal capaz de distinguir topografías de diferentes ectasias corneales.
Métodos: Se emplearon para el entrenamiento de la red 136 topografías de ectasias corneales y sujetos control, reservándose 20 para la fase de test. Se empleó una arquitectura tipo «feed-forward», con un algoritmo «back-propagation».
Resultados: Se elaboró una red neuronal capaz de diagnosticar distintas ectasias corneales y diferenciarlas de córneas normales con una precisión del 100%.
Conclusiones: Se puede desarrollar una red neuronal como ayuda al diagnóstico clínico de esta patologías corneal. Su nivel de error es extremadamente bajo.
Palabras clave: Red neuronal, topografía corneal, ectasia corneal, queratocono, degeneración marginal pelúcida.
Objective: The develop a neural network for the differentiation of various corneal ectasiae.
Methods: The neural network was trained with 136 topographies of corneal ectasiae and control subjects and tested with 20 different cases. A feed-forward architecture and a back-propagation algorithm were used.
Results: We obtain a neural network that diagnosticates various corneal ectasiae and distinguishes them from normal corneas with a 100% accuracy.
Conclusions: A neural network can be built and represents an aid for clinical diagnosis of this corneal pathology with an extremely low error.
Key words: Neural network, corneal topography, corneal ectasia, keratoconus, marginal pellucid degeneration.
INTRODUCCIÓN
Las ectasias corneales son un conjunto de patologías caracterizadas por una deformidad extrema de la curvatura corneal. Su conocimiento ha mejorado sustancialmente desde el empleo sistemático del análisis topográfico, en especial en la detección de casos subclínicos (1) o lo que se conoce como «keratoconus frustre» (2), en estudios genéticos (3,4) y en el seguimiento de la progresión del queratocono (5).
Sin embargo, la interpretación de los datos emitidos por estos aparatos no siempre es todo lo objetiva y explícita que debería esperarse. Sería muy interesante obtener un método que proporcionara un soporte objetivo y reproducible para el diagnóstico de las ectasias corneales. Ya ha habido intentos en este sentido (6,7). En este trabajo se ha desarrollado un sistema basado en el empleo de redes neuronales para conseguir una clasificación automática de este tipo de topografías.
Las redes neuronales constituyen una herramienta usada en inteligencia artificial. Su utilidad radica en la capacidad de detección de patrones, tanto estáticos como dinámicos. Permiten el reconocimiento de formas y su clasificación sin precisar de ninguna regla ni supuesto previo. Se han empleado en diversos aspectos del conocimiento humano, tanto en ciencia como en economía e industria. En Oftalmología se han publicado trabajos que emplean las redes neuronales para la detección de retinopatía diabética (8), para interpretar campos visuales (9,10) y para el análisis de daños estructurales en la papila óptica secundarios a glaucoma (11).
SUJETOS, MATERIAL Y MÉTODOS
Se recogieron topografías de 34 pacientes con queratocono, 7 con degeneración marginal pelúcida y 25 controles normales. Las edades se encontraban entre 20 y 80 años, siendo 36 varones y 30 mujeres. El grupo control se eligió de manera que las características de edad y sexo fueran comparables a las del grupo de casos. En total se estudiaron 156 topografías. La distribución de las patologías de estas topografías puede verse en la tabla 1. Se utilizó un topógrafo corneal que obtuviera la información por el análisis computerizado de las videoqueratoscopias resultantes de la proyección sobre la córnea de 31 anillos concéntricos (TMS-1™, Topographic Modeling System, versión 1.41 y versión 1.50 Update, Computed Anatomy Inc, 28 West 36th St, New York, New York 10018). En todos los casos las mediciones se realizaron cuando el paciente llevaba al menos dos semanas sin portar lentes de contacto, en el caso de usarlas. No se empleó ningún tipo de solución humectante para la obtención de las imágenes.
Se agruparon las topografías en función de la patología que representaban (queratocono, pelúcida y control). Además se creó un grupo aparte para aquéllas irregulares según lo definido en literatura previa (12).
Se calcularon para cada caso los índices Rc, SAI, SRI, K1, K2, AAR AO, ACA, AI, AA, AVG, DSP, DSI, OSI, CSI, IAI, IS ISM, Cir, Cent, ASYa, ASYb y Sect (3,6,13-15) (ver tabla 2) y posteriormente fueron codificados de manera que oscilasen en un rango estable entre 1 y 10 (a excepción del índice DSP, en que se emplearon valores entre 1 y 100, para obtener mayor sensibilidad).
Se emplearon para el entrenamiento de la red 136 topografías, reservándose 20 (8 queratoconos, 4 pelúcidas, 4 topografías irregulares y 4 controles) para la posterior puesta a prueba.
Para la elaboración y examen de la red neuronal generada se empleó el programa informático Brainmaker Professional versión 2.0 (California Scientific Software). La red se diseñó mediante la arquitectura «Feed-Forward», algoritmo de aprendizaje «Back-Propagation» y una función de transferencia sigmoide. El número de capas fue de 3, empleándose una sola capa de entrada, una oculta y una capa de salida.
RESULTADOS
La red neuronal elaborada no tuvo ningún error diagnóstico al discernir entre topografías que correspondían a queratocono, degeneración pelúcida, control o córneas irregulares, en el grupo reservado para la puesta a prueba (topografías no empleadas para el entrenamiento). El error cuadrático medio en el diagnóstico de este grupo fue de 0,44.
DISCUSIÓN
Las redes neuronales son sistemas capaces de asociar patrones formados por características complejas a cuadros diagnósticos de una manera no lineal, a diferencia de los métodos basados en análisis de discriminación lineal.
No existe ninguna norma sobre el número de casos de entrenamiento necesarios para obtener una red válida, ya que no se atienen a cálculos estadísticos clásicos. Como escriben Cross y colaboradores en un artículo del Lancet de 1995 (16):«El tamaño requerido del set de entrenamiento depende del número de entradas, de posibles salidas y de la complejidad del problema... las redes neuronales son no-lineales y tal cálculo (del tamaño de la muestra necesaria) aún no es posible». Tampoco puede preverse el número de capas necesarias ni el de neuronas ocultas. Podría decirse que la única norma es que la red funcione.
En este estudio se han desarrollado una red neuronal con objeto de determinar la precisión diagnóstica para topografías de ectasias corneales. Con objeto de mejorar los resultados se procedió a una transformación simple de algunos de los índices. Así se conseguía que sus valores fueran más fácilmente interpretables por la red. Esto lleva a un nivel de precisión del 100%, con un error cuadrático medio muy bajo (0,44). Con ello se demuestra que el procesamiento de la información, previamente a su entrega a la red es un paso importante con objeto de mejorar su precisión.
Este sistema de diagnóstico automatizado es capaz de diferenciar queratocono, degeneración marginal pelúcida y córneas controles, junto con un cuarto grupo de córneas de patrón irregular. No se devolvió un diagnóstico erróneo para ninguna categoría. Por lo tanto su uso representaría en sí una ayuda diagnóstica importante en la clínica diaria, como apoyo objetivo al análisis de los mapas topográficos corneales.
La mayoría de las topografías fueron utilizadas para el entrenamiento de la red, reservándose 20 para su posterior puesta a prueba. A pesar de que este número puede parecer bajo, consideramos que resulta suficiente, ya que como norma en estudios sobre redes neuronales se suele reservar un 10% de los casos para su puesta a prueba. En nuestro caso seleccionamos un 14% que incluyera todas las patologías estudiadas para evitar sesgos.
En un reciente trabajo (11), Smolek y Klyce describen el desarrollo de una red neuronal capaz de clasificar distintos niveles evolutivos clínicos de queratocono de otras topografías que pueden resultar parecidas. Esta red no es capaz de distinguir de manera aislada una degeneración marginal pelúcida con tanta sensibilidad como la aquí presentada. Tampoco se considera un grupo de topografías irregulares, aunque éstas podrían estar incluidas en el grupo de queratoconos avanzados. La mayor precisión de nuestra red podría deberse al uso de nuevos índices y a la modificación de sus valores para hacerlos de manejo más simple para la red.
No incluimos en este trabajo patologías que pueden representar también una duda diagnóstica importante, como es el caso de la deformidad corneal producida por lentes de contacto. Su estudio podría ser objeto de posteriores trabajos.
Ha podido comprobarse que las redes neuronales son una potente herramienta matemática de gran utilidad en la clasificación automatizada de topografías corneales. Su gran potencial reside en la capacidad de integrar mucha información sin requerir normas ni reglas previas. La red desarrollada en este trabajo es capaz de predecir si existe o no alteración en el relieve corneal y el tipo de degeneración ectásica presente, con un margen de error muy bajo. Ciertamente consideramos que su uso adecuado puede ayudar a la resolución gran número de problemas diagnóstico ya que representan un sistema preciso, fiable, objetivo y reproducible para la clasificación. Su integración a los actuales topógrafos corneales podría representar una ayuda inestimable para el oftalmólogo enfrentado a una duda diagnóstica.
BIBLIOGRAFÍA