Detección basada en aprendizaje profundo de desprendimiento de retina con hemorragia vítrea en imágenes ecográficas oculares

Por qué esto importa para salvar la vista

El desprendimiento de retina es una urgencia ocular que puede arrebatar la visión en cuestión de horas o días. Los médicos suelen apoyarse en exploraciones por ecografía cuando la sangre dentro del ojo les impide ver la retina. Pero estas imágenes granuladas y llenas de ecos pueden ser difíciles de interpretar, sobre todo en urgencias concurridas o para clínicos con menos experiencia. Este estudio explora si una forma moderna de inteligencia artificial puede detectar rápida y de manera fiable los desprendimientos de retina peligrosos y las hemorragias asociadas en imágenes ecográficas, ayudando a los médicos a proteger la visión de los pacientes.

Ver a través de la niebla en el ojo

Dos problemas que amenazan la visión están en el centro de este trabajo: el desprendimiento de retina, en el que el tejido fotosensible se separa de la parte posterior del ojo, y la hemorragia vítrea, en la que la sangre se filtra en el gel que llena el ojo. Cuando el ojo está claro, los médicos observan directamente la retina en busca de anomalías. Pero cuando la sangre densa nubla la vista, recurren a la ecografía, que muestra líneas brillantes y patrones moteados con ecos procedentes de las estructuras internas del ojo. Desafortunadamente, los ecos de la sangre flotante pueden parecer sorprendentemente similares a las líneas finas y en forma de lámina de una retina desprendida, lo que genera incertidumbre precisamente en el momento en que el tratamiento rápido es más importante.

Enseñar a un ordenador a leer exploraciones oculares

Los investigadores entrenaron un sistema de aprendizaje profundo, basado en un método de detección de objetos en tiempo real conocido como YOLOv5, para identificar tres posibilidades en las imágenes ecográficas: desprendimiento de retina solo, hemorragia vítrea solo, o ambas simultáneamente. Reunieron 3.773 imágenes de exploraciones realizadas durante varios años a pacientes ya sospechosos de tener estos problemas. Especialistas oculares experimentados etiquetaron cada imagen y dibujaron cuadros alrededor de las zonas que mostraban la enfermedad, proporcionando al sistema ejemplos de qué buscar. Las imágenes se dividieron luego en conjuntos separados para entrenamiento, ajuste y pruebas finales, de modo que el rendimiento del sistema pudiera evaluarse de forma justa con imágenes que nunca había visto antes.

Afinar imágenes borrosas para la máquina

Dado que las imágenes ecográficas son de por sí borrosas y moteadas, el equipo probó varias formas de realzar las estructuras clave antes de introducirlas en la IA. Un método, llamado enmascaramiento de nitidez (unsharp masking), aumenta sutilmente el contraste alrededor de los bordes, haciendo que los desprendimientos retinianos en forma de hilo aparezcan más brillantes y distintivos sin añadir artefactos obvios. También experimentaron con umbralización y binarización —convertir las imágenes en bloques de blanco y negro según la luminosidad— para reducir la neblina de ecos de sangre dispersa a la vez que preservaban las líneas continuas que señalan un desprendimiento. En su proceso principal de desarrollo combinaron estas mejoras con ciclos repetidos de entrenamiento y validación cruzada, una estrategia que ayuda a evitar el sobreajuste y mejora la fiabilidad en datos nuevos.

Qué tan bien funcionó el sistema

Tras varias rondas de refinamiento, el modelo final demostró ser muy preciso al probarse con 543 imágenes no vistas previamente. Reconoció correctamente el desprendimiento de retina en el 96,6% de los casos, la hemorragia vítrea en el 99,2% y la combinación particularmente difícil de ambos en el 98,0%, obteniendo una precisión global cercana al 98%. Los investigadores también compararon distintas versiones de YOLO y encontraron que, a pesar de que modelos más recientes rinden bien en bancos de pruebas de imágenes generales, YOLOv5 se adaptaba mejor a esta tarea médica específica y a este conjunto de datos. Experimentos adicionales mostraron que, si bien algunos pasos de preprocesamiento no aumentaban siempre la precisión media de forma aislada, mejoraban la claridad de las estructuras clave y parecían especialmente útiles en las exploraciones visualmente más confusas.

Qué podría significar esto para pacientes y médicos

Para los pacientes que llegan a urgencias con pérdida súbita de visión, cada minuto cuenta. Este estudio sugiere que un sistema de IA cuidadosamente entrenado podría servir como un “segundo par de ojos” rápido, señalando desprendimientos de retina y hemorragias graves en imágenes ecográficas con precisión a nivel experto. La herramienta no pretende reemplazar a los oftalmólogos ni al examen clínico más amplio, sino apoyarlos—especialmente cuando las imágenes son difíciles de interpretar o los especialistas no están disponibles de inmediato. Antes de que tales sistemas se generalicen, necesitarán pruebas en múltiples hospitales, dispositivos y flujos de trabajo clínicos. Aun así, los resultados apuntan a un futuro en el que el software inteligente ayude a los médicos a rescatar la visión de forma más rápida y constante cuando la retina está en riesgo.

Cita: Toyama, N., Hidaka, T., Tamura, H. et al. Deep learning-based detection of retinal detachment with vitreous hemorrhage in ocular ultrasound images. Sci Rep 16, 8398 (2026). https://doi.org/10.1038/s41598-026-38272-6

Palabras clave: desprendimiento de retina, hemorragia vítrea, ecografía ocular, aprendizaje profundo, IA en imágenes médicas