SYN-OCT: un conjunto de datos sintético de imágenes de tomografía de coherencia óptica ocular de ojos sanos y con glaucoma

Por qué importan las exploraciones oculares falsas para pacientes reales

El glaucoma es una de las principales causas de ceguera, y las clínicas oftalmológicas modernas dependen de exploraciones detalladas del fondo de ojo para detectarlo a tiempo. Pero desarrollar programas informáticos inteligentes para interpretar estas exploraciones exige enormes cantidades de datos de pacientes, que son difíciles de compartir por normas de privacidad. Este artículo presenta SYN-OCT, una colección masiva de exploraciones oculares totalmente sintéticas que se parecen y se comportan como las reales, ofreciendo a los investigadores una nueva forma de construir y evaluar algoritmos detectores de glaucoma sin exponer la información médica personal de nadie.

Ver el ojo en corte transversal

El trabajo se centra en una prueba de imagen ocular común llamada tomografía de coherencia óptica, u OCT, que captura “rebanadas” en corte transversal de la retina. Los autores se enfocaron en exploraciones circumpapilares, anillos delgados tomados alrededor del nervio óptico donde se mide la capa de fibras nerviosas de la retina (RNFL). Esta capa es vital porque se adelgaza a medida que el glaucoma daña el nervio óptico. En la práctica clínica cotidiana, los médicos comparan los patrones de RNFL en estas exploraciones entre pacientes sanos y con glaucoma para ayudar a diagnosticar la enfermedad y monitorizar su progresión.

Crear imágenes realistas de la nada

Para construir su conjunto de datos sintético, el equipo primero recopiló exploraciones OCT reales de casi dos mil ojos atendidos en el Singapore Eye Research Institute entre 2012 y 2021. Un grupo incluía personas con glaucoma confirmado clínicamente; otro consistía en adultos sin enfermedades oculares importantes. En lugar de compartir estas imágenes reales, los investigadores entrenaron dos sistemas generadores de imágenes por separado —uno para ojos sanos y otro para ojos con glaucoma— usando una técnica llamada red generativa antagónica. En este esquema, una red intenta crear imágenes realistas mientras otra intenta distinguir las falsas de las reales, empujando a ambas a mejorar hasta que las imágenes generadas se asemejan estrechamente a las exploraciones OCT genuinas.

Comprobar que las falsificaciones se comportan como lo real

Crear imágenes convincentes no es suficiente; también deben transmitir el mismo significado médico que las exploraciones reales. Los autores primero emplearon una puntuación estándar de calidad de imagen para confirmar que las exploraciones sintéticas eran parecidas en apariencia a las originales, y luego solicitaron a oftalmólogos experimentados que revisaran una muestra. Los especialistas solo pudieron distinguir lo real de lo sintético algo mejor que el azar, lo que demostró que las falsificaciones eran visualmente muy convincentes. Para profundizar, el equipo procesó todas las imágenes —reales y sintéticas— con una herramienta automatizada que mide el espesor de la RNFL alrededor del nervio óptico. Los patrones generales y los valores medios de espesor de las exploraciones sintéticas coincidieron con los de las reales, y además conservaron una característica médica clave: las imágenes con glaucoma mostraron sistemáticamente capas nerviosas más delgadas que las sanas.

Poner los datos sintéticos a prueba

La prueba más exigente fue si estas exploraciones artificiales podían sustituir a los datos reales de pacientes al entrenar herramientas diagnósticas. Los investigadores entrenaron un modelo de aprendizaje profundo para distinguir glaucoma de ojos sanos usando solo imágenes reales y otro usando solo imágenes sintéticas. Ambos se evaluaron después con datos no vistos de pacientes locales y de un hospital independiente en Rumanía. El modelo entrenado únicamente con exploraciones sintéticas rindió al menos tan bien como el entrenado con datos reales y, en algunos casos, ligeramente mejor, lo que sugiere que imágenes sintéticas de alta calidad pueden ayudar a construir herramientas robustas que se generalizan a distintos entornos clínicos.

Un atajo seguro hacia una atención ocular más inteligente

Para un lector no especializado, el mensaje clave es que SYN-OCT ofrece una forma de “tomar prestado” el poder de grandes conjuntos de datos médicos sin tomar prestados los detalles privados de las personas reales. Al demostrar que las exploraciones oculares generadas por ordenador pueden imitar tanto el aspecto como las mediciones médicamente relevantes de las imágenes genuinas —y pueden entrenar con éxito sistemas de detección de glaucoma—, este trabajo apunta hacia un futuro en el que hospitales y laboratorios puedan compartir recursos de imágenes ricos libremente. Eso podría acelerar el desarrollo de herramientas mejores, más equitativas y más ampliamente validadas para detectar el glaucoma antes de que robe la vista, todo ello protegiendo la privacidad de los pacientes.

Cita: Wong, D., Sreejith Kumar, A.J., Chong, R.S. et al. SYN-OCT:A synthetic dataset of ocular optical coherence tomography images from healthy and glaucoma eyes. Sci Data 13, 637 (2026). https://doi.org/10.1038/s41597-026-06946-5

Palabras clave: glaucoma, datos médicos sintéticos, tomografía de coherencia óptica, aprendizaje profundo en oftalmología, privacidad de imágenes médicas