Desarrollo de un modelo de aprendizaje profundo para detectar glaucoma primario de ángulo abierto en individuos de ascendencia africana

Por qué importa para la salud ocular cotidiana

El glaucoma es una de las principales causas mundiales de ceguera irreversible y, con frecuencia, roba la visión de forma silenciosa antes de que las personas noten cualquier síntoma. Este estudio explora cómo la inteligencia artificial puede ayudar a detectar antes una forma común de glaucoma, sobre todo en comunidades de ascendencia africana que enfrentan tanto un mayor riesgo como un acceso más limitado a atención oftalmológica especializada. Al enseñar a un ordenador a leer fotografías oculares, los investigadores esperan llevar un cribado fiable de glaucoma a centros de atención primaria, clínicas comunitarias y entornos con pocos recursos en todo el mundo.

La amenaza silenciosa para la visión

El glaucoma primario de ángulo abierto daña lentamente el nervio óptico, el cable que transporta la información visual desde el ojo hasta el cerebro. Al principio, las personas suelen sentirse bien y ven correctamente, incluso cuando su visión periférica comienza a reducirse. Debido a que la enfermedad progresa de forma silenciosa y las exploraciones oculares pueden ser lentas y escasas en muchas regiones, una gran proporción de pacientes permanece sin diagnosticar hasta que la pérdida visual es permanente. Esta carga es especialmente pesada en poblaciones de ascendencia africana, que tienen más probabilidad de desarrollar glaucoma y de quedarse ciegas por esta causa, y que históricamente han estado poco representadas en la investigación médica y en conjuntos de datos de imágenes de alta calidad.

Enseñar a los ordenadores a leer imágenes oculares

El equipo construyó un sistema de cribado automatizado que analiza fotografías en color del fondo del ojo, conocidas como imágenes de fondo de ojo (fundus). Estas imágenes son relativamente baratas y fáciles de capturar, incluso fuera del consultorio de un especialista. A partir de más de 64.000 imágenes recogidas en el estudio Primary Open-Angle African American Glaucoma Genetics (POAAGG), los investigadores entrenaron modelos de aprendizaje profundo para distinguir entre ojos con glaucoma y sin él. Compararon dos enfoques de vanguardia: un modelo convolucional “ResNet” y un “Vision Transformer”, que examina la imagen por parches y puede resaltar dónde dirige su atención, a menudo en la zona de copa y disco del nervio óptico, donde aparecen los cambios relacionados con el glaucoma.

Elegir primero las imágenes más nítidas

En el cribado real, a menudo se toman varias imágenes en cada visita para evitar problemas como el parpadeo o el desenfoque. En lugar de introducir todas ellas al modelo, los investigadores se preguntaron si elegir cuidadosamente solo las imágenes más informativas podría aumentar la precisión. Probaron dos estrategias automáticas de selección. Una utilizó un modelo de segmentación para delinear el nervio óptico y seleccionar imágenes con ciertas características de tamaño. La otra —un clasificador binario— aprendió a imitar a los evaluadores expertos de un centro de lectura, separando imágenes “buenas” de las pobres. Seleccionar solo seis imágenes de alta calidad por visita con el clasificador binario igualó el rendimiento de los evaluadores humanos y superó claramente tanto el uso de todas las imágenes como el método basado en segmentación.

Combinar muchas pistas en una sola respuesta

Tras seleccionar las mejores imágenes de una visita, el sistema examinó cada una con el Vision Transformer y generó una probabilidad de que hubiera glaucoma. Los investigadores exploraron cómo convertir varias probabilidades en una única decisión de cribado. Tomar la media simple de las imágenes elegidas dio los resultados más fiables, algo mejor que basarse solo en el valor más extremo. En conjunto, esta canalización —selección de imágenes por el clasificador binario, seguida de predicción por imagen y promediado— consiguió una alta capacidad para separar casos con glaucoma de los que no lo tenían. Cuando se probó en un conjunto de datos separado de pacientes chinos, el modelo siguió rindiendo bien, y experimentos adicionales mostraron que emplear un conjunto de entrenamiento mayor fue crucial para esta transferencia entre grupos.

Qué podría significar esto para los pacientes

El estudio demuestra que una canalización de IA cuidadosamente diseñada, entrenada con un gran conjunto de imágenes oculares de individuos de ascendencia africana, puede identificar con precisión a personas que podrían tener glaucoma usando solo fotografías simples. Aunque el sistema aún no alcanza los umbrales muy estrictos que algunas organizaciones recomiendan para herramientas diagnósticas completas, es adecuado como precribado en entornos donde los especialistas en oftalmología son escasos. Con una validación adicional en poblaciones y cámaras más diversas, y la posible integración con otras pruebas oculares, esta tecnología podría algún día desplegarse en consultas de atención primaria, eventos comunitarios o centros de salud rurales. El objetivo es simple: detectar el glaucoma más pronto, derivar a los que corren riesgo a especialistas y prevenir la ceguera evitable, especialmente en las comunidades que han sido las más afectadas.

Cita: Li, S., Salowe, R., Lee, R. et al. Development of deep learning model to screen for primary open-angle glaucoma in African ancestry individuals. npj Digit. Med. 9, 214 (2026). https://doi.org/10.1038/s41746-025-02318-2

Palabras clave: cribado de glaucoma, inteligencia artificial, imagen retiniana, salud de ascendencia africana, medicina de aprendizaje profundo