Álvarez-Rodríguez, LorenaMoura, Joaquim deFernández-Vigo, José IgnacioMacarro-Merino, AnaFernández-Vigo, José A.Novo Buján, JorgeOrtega Hortas, Marcos2025-05-162025-05-162025-05Álvarez Rodríguez, L.; de Moura Ramos, J.; Fernández-Vigo, J.I.; Macarro Merino, A.; Fernández-Vigo, J.A.; Novo Buján, J.; Ortega Hortas, M. (2025). Detección de glistenings en lentes intraoculares con OCT-SA mediante deep learning multi-tarea. En BioIntegraSaúde - BIS 2025, Santiago de Compostela, 15 de maio de 2025.http://hdl.handle.net/2183/42013Poster presentado en BioIntegraSaúde - BIS 2025, Santiago de Compostela, 15 de maio de 2025.[Resumen]: Las lentes intraoculares (LIO) son dispositivos ópticos implantados quirúrgicamente en la cápsula posterior del cristalino, habitualmente tras cirugía de cataratas u otros trastornos del cristalino. Estas lentes pueden desarrollar glistenings, microvacuolas llenas de agua que aparecen en su interior y pueden afectar a la transparencia y calidad óptica. Tradicionalmente, su evaluación se ha realizado mediante fotografía con lámpara de hendidura, una técnica sensible a factores externos como la iluminación o la dilatación pupilar. Recientemente, se ha propuesto la tomografía de coherencia óptica del segmento anterior (OCT-SA) como alternativa más rápida y objetiva, con buenos resultados preliminares. Con el objetivo de facilitar la evaluación de las LIO y validar el uso de la OCT-SA, presentamos un enfoque automático basado en deep learning para detectar y caracterizar glistenings en imágenes OCT-SA. Desarrollamos un modelo multi-tarea que identifica simultáneamente las zonas con glistenings y el área ocupada por la LIO (LIOa). Este enfoque mejora la precisión, ya que la localización de la lente aporta un contexto anatómico clave para interpretar correctamente la presencia y distribución de los glistenings. A su vez, la detección precisa de la LIOa es esencial para su evaluación estructural y seguimiento clínico. Nuestro estudio es el primero en aplicar esta metodología combinada y validarla sobre un conjunto de datos clínico altamente heterogéneo, con imágenes de 19 modelos distintos de LIO y diversos grados de opacificación. El modelo alcanzó un alto grado de acuerdo con las anotaciones de expertos (ICC > 0.93), a la par de estudios previos con enfoques más simples y menos variedad de datos. Estos resultados confirman el potencial de los métodos automáticos basados en deep learning para facilitar una evaluación más rápida, objetiva y reproducible de los glistenings en entornos clínicos, con especial utilidad en el seguimiento de pacientes con LIO.spaGlisteningsLentes intraocularesOCT-SAInteligencia artificialImagen médicaconference outputopen access