Diagnóstico de glaucoma e deteción de indicios clínicos en retinografías mediante deep learning

Abstract

[Resumo] O glaucoma é unha das principais causas de cegueira irreversible a nivel mundial. A súa detección precoz mediante programas de cribado poboacional é fundamental para preservar a visión, pero o volume de retinografías xeradas nestes programas supera a capacidade de revisión manual dos especialistas. Neste contexto, os sistemas de diagnóstico asistido por computador baseados en aprendizaxe profunda constitúen unha ferramenta prometedora para automatizar o cribado, a condición de que as súas predicións sexan interpretables polo persoal clínico. Este traballo presenta un sistema de aprendizaxe profunda para a detección do glaucoma en retinografías que, ademais do diagnóstico binario, identifica a presenza de dez indicios clínicos asociados á enfermidade e xera mapas de activación que localizan espacialmente cada indicio na imaxe. A arquitectura, baseada no paradigma de aprendizaxe de múltiples instancias con supervisión débil, non require anotacións espaciais de localización xa que a capacidade de localizar os indicios emerxe de forma natural do proceso de adestramento. O sistema avalíase sobre o dataset JustRAIGS, un conxunto público de máis de cen mil retinografías procedentes de programas de cribado reais, que presenta un desbalance de clases representativo das condicións clínicas. A experimentación organízase arredor dun deseño factorial que estuda sistematicamente o efecto de dúas técnicas de compensación do desbalance (a mostraxe ponderada e o suavizado de etiquetas) sobre dous backbones convolucionais (VGG16 e ResNet-18), e analiza o efecto do tamaño do conxunto de adestramento. Os resultados demostran que a combinación das dúas técnicas de compensación é condición necesaria para que o modelo aprenda a clase minoritaria, revelando unha interacción non aditiva entre ambas que constitúe un dos achados metodolóxicos principais do traballo. A comparación entre arquitecturas mostra que ResNet-18 acada un maior rendemento na clasificación, mentres que VGG16 produce mapas de activación espacialmente máis precisos e limpos, o que evidencia un compromiso entre rendemento e explicabilidade. A análise dos indicios clínicos confirma que a aprendizaxe está condicionada pola prevalencia de cada signo, delimitando o alcance da explicabilidade do sistema.

[Abstract] Glaucoma is one of the leading causes of irreversible blindness worldwide. Its early detection through population-based screening programs is essential to preserve vision, but the volume of fundus images generated in these programs exceeds the manual review capacity of specialists. In this context, computer-aided diagnosis systems based on deep learning constitute a promising tool for automating screening, provided that their predictions are interpretable by clinical staff. This work presents a deep learning system for glaucoma detection in fundus images that, in addition to binary diagnosis, identifies the presence of ten clinical signs associated with the disease and generates activation maps that spatially locate each sign in the image. The architecture, based on the weakly supervised multiple instance learning paradigm, does not require spatial localization annotations, as the ability to locate the signs emerges naturally from the training process. The system is evaluated on the JustRAIGS dataset, a public collection of over one hundred thousand fundus images from real screening programs, which presents a class imbalance representative of clinical conditions. The experimentation is organized around a factorial design that systematically studies the effect of two imbalance compensation techniques (weighted sampling and label smoothing) on two convolutional backbones (VGG16 and ResNet-18), and analyzes the effect of the training set size. The results demonstrate that the combination of both compensation techniques is a necessary condition for the model to learn the minority class, revealing a non-additive interaction between them that constitutes one of the main methodological findings of the work. The comparison between architectures shows that ResNet-18 achieves higher classification performance, while VGG16 produces spatially more precise and cleaner activation maps, evidencing a trade-off between performance and explainability. The analysis of the clinical signs confirms that learning is conditioned by the prevalence of each sign, delimiting the scope of the system’s explainability.