Identificación de múltiples enfermedades oculares mediante una red neuronal convolucional cuántica híbrida con imágenes de fondo de ojo

Controles visuales más precisos con máquinas más inteligentes

Muchas de las pérdidas de visión del mundo podrían evitarse si las enfermedades oculares se detectaran pronto, pero los especialistas y la imaginería de alta calidad no siempre están disponibles. Este estudio explora una nueva forma de leer fotografías de la parte posterior del ojo, llamadas imágenes de fondo de ojo, usando una mezcla de ideas avanzadas de computación cuántica e inteligencia artificial moderna. El objetivo es simple pero poderoso: detectar varias enfermedades oculares comunes a la vez, de forma rápida y fiable, para que el tratamiento que salva la visión pueda iniciarse lo antes posible.

Por qué importa la parte posterior del ojo

La retina es una fina capa de tejido en la parte posterior del ojo que convierte la luz en señales para el cerebro. Muchas enfermedades oculares graves dejan marcas características aquí, incluyendo la degeneración macular relacionada con la edad, el glaucoma, la retinopatía diabética, el daño relacionado con hipertensión, la miopía y las cataratas. Los médicos pueden fotografiar la retina con una cámara de fondo de ojo estándar, que es más barata y está más disponible que los escáneres avanzados. Pero interpretar estas imágenes a simple vista es lento, depende de expertos muy entrenados y resulta especialmente difícil cuando los cambios tempranos de la enfermedad son tenues o cuando existen varios problemas a la vez.

Limpieza de la imagen antes del diagnóstico

Antes de que cualquier ordenador pueda interpretar las fotos de fondo de ojo, las imágenes deben limpiarse y estandarizarse. En este trabajo, los autores primero recortan la región circular del ojo, la redimensionan y luego mejoran la visibilidad de las estructuras importantes mediante dos técnicas: filtrado por difusión anisotrópica para reducir el ruido sin difuminar los bordes clave, y transformadas wavelet para realzar el contraste. También amplían el conjunto de entrenamiento rotando, haciendo zoom, desplazando y volteando las imágenes, y añadiendo ruido controlado. Este cuidadoso “acondicionamiento” de las imágenes ayuda al modelo a aprender cómo varían las fotos del mundo real, reduciendo el riesgo de que falle con cámaras o condiciones de iluminación ligeramente distintas.

Mezclando la IA clásica con ideas cuánticas

En el corazón del estudio está una red neuronal convolucional cuántica híbrida, o QCNN. Una red neuronal convolucional tradicional es muy buena detectando patrones como líneas, texturas y formas en imágenes. La QCNN mantiene esta estructura familiar pero añade capas inspiradas en la cuántica que actúan sobre datos codificados como estados cuánticos. En términos prácticos, una red clásica ligera primero comprime cada par de imágenes de los ojos izquierdo y derecho del paciente. Estas características se mapean luego en una representación de ocho “qubits”, donde puertas cuánticas especiales realizan rotaciones y construyen conexiones entre qubits. Esto permite al sistema explorar un espacio muy rico de patrones posibles usando relativamente pocos parámetros ajustables.

Cómo aprenden las capas cuánticas

El lado cuántico del modelo imita pasos bien conocidos en el análisis de imágenes. Las capas de “convolución” cuántica actúan como filtros, buscando estructuras útiles en los datos, mientras que las capas de “pooling” cuántico reducen la complejidad al combinar información de múltiples qubits sin perder las pistas más importantes. El sistema mide repetidamente los estados cuánticos resultantes y alimenta esas mediciones a una capa de decisión final que ofrece la probabilidad de cada etiqueta de enfermedad ocular. Durante el entrenamiento, un optimizador clásico ajusta tanto los pesos habituales de la red neuronal como los parámetros de las puertas cuánticas para mejorar el rendimiento, guiado por medidas estándar como precisión, exactitud (accuracy), recall y F1-score.

Poniendo el modelo a prueba

Para comprobar si este enfoque es algo más que una idea elegante, los investigadores lo entrenaron y evaluaron con OIA‑ODIR, una gran colección pública de 10.000 imágenes de fondo de ojo de 5.000 pacientes etiquetadas para siete enfermedades oculares además de ojos normales. Los datos se dividieron de modo que algunas imágenes se usaran para entrenar el modelo, otras para ajustarlo y otras —tanto del mismo centro como de centros externos— para probar su capacidad de generalización. Al compararlo con varios potentes sistemas de aprendizaje profundo, incluidos Fundus‑DeepNet, Inception‑v4, VGG16 y ResNet‑101, la QCNN obtuvo los mejores resultados. Alcanzó alrededor de un 94 por ciento de exactitud y puntuaciones de precisión, recall y F1 igualmente altas, tanto en los conjuntos de prueba del propio sitio como en los externos, lo que significa que no solo acertó con frecuencia, sino que también omitió pocos casos con enfermedad.

Qué significa esto para los pacientes

Desde una perspectiva general, el mensaje es que un software más inteligente podría ayudar a proteger la visión al hacer el cribado retiniano masivo más rápido, más consistente y capaz de identificar varias enfermedades a la vez. La red mejorada con elementos cuánticos descrita aquí todavía se ejecuta en simuladores y depende de ordenadores potentes, por lo que aún no está lista para el uso clínico habitual. También hereda las limitaciones habituales de la IA médica, como datos desequilibrados para enfermedades raras y diferencias entre hospitales. Aun así, su buen desempeño sugiere que combinar métodos clásicos e inspirados en la cuántica puede extraer más información de las mismas fotografías oculares. A medida que el hardware cuántico madure y los conjuntos de datos crezcan, dichos sistemas podrían convertirse en herramientas prácticas para apoyar a los oftalmólogos en todo el mundo, especialmente en lugares donde escasean los especialistas.

Cita: Alqassab, A.I.M., Luque-Nieto, MÁ. & Mohammed, M.A. Identification of multiple ocular diseases using a hybrid quantum convolutional neural network with fundus images. Sci Rep 16, 6798 (2026). https://doi.org/10.1038/s41598-026-38063-z

Palabras clave: imágenes de fondo de ojo, detección de enfermedades oculares, redes neuronales cuánticas, análisis de imágenes médicas, inteligencia artificial en oftalmología