Un marco clínicamente adaptativo en tiempo de prueba para detectar múltiples enfermedades del fondo de ojo aprovechando modelos fundamentales oftálmicos

Por qué importa un cribado ocular más inteligente

Millones de personas en todo el mundo corren el riesgo de perder la visión por afecciones como la diabetes, el glaucoma y los cambios relacionados con la edad en la parte posterior del ojo. Los médicos pueden detectar muchos de estos problemas en fotografías del interior del ojo, llamadas imágenes de fondo de ojo, pero revisar cada imagen con detalle lleva tiempo, sobre todo cuando pueden aparecer varias enfermedades a la vez. Este estudio presenta RetExpert, un nuevo sistema de inteligencia artificial (IA) diseñado para funcionar como un especialista ocular versátil: puede cribar muchas enfermedades retinianas simultáneamente, manejar datos del mundo real desordenados y adaptarse en tiempo real a diferentes clínicas y cámaras.

Detectar muchos problemas oculares a la vez

Las herramientas de IA típicas para cribado ocular se entrenan para detectar una sola enfermedad a la vez y a menudo suponen que las imágenes serán muy similares a las usadas durante el entrenamiento. Las clínicas reales son distintas. Los pacientes con frecuencia presentan más de una condición ocular, las etiquetas de enfermedad en los conjuntos de datos son incompletas, y las cámaras y poblaciones varían entre centros. RetExpert afronta esto aprovechando “modelos fundamentales”, grandes sistemas de visión entrenados inicialmente con colecciones masivas de imágenes retinianas. Estos modelos fundamentales ya comprenden patrones comunes en las fotografías de fondo de ojo, como los vasos sanguíneos, el nervio óptico y la mácula. RetExpert convierte los bloques de dicho modelo en “unidades de conocimiento adaptativas” y añade pequeñas capas adaptadoras que pueden ajustarse para el cribado multienfermedad sin alterar el valioso conocimiento ya aprendido.

Aprovechar mejor datos desiguales e inciertos

Los datos médicos reales tienden a estar desequilibrados: enfermedades comunes como la retinopatía diabética aparecen con mucha más frecuencia que trastornos raros. Si se entrena de forma ingenua, la IA sobreenfocará las condiciones frecuentes y descuidará las poco comunes pero importantes. RetExpert emplea un enfoque de entrenamiento que presta atención adicional a las enfermedades infrarepresentadas para que el rendimiento no se desplome en hallazgos raros. El sistema también reconoce que algunas predicciones son naturalmente más inciertas que otras. En lugar de producir una única puntuación global de confianza, RetExpert estima puntuaciones de incertidumbre separadas para cada enfermedad que se le pide detectar. Esta visión enfermedad por enfermedad se aproxima al modo de pensar de los clínicos y permite al modelo tratar las predicciones frágiles con cautela durante los pasos posteriores de adaptación.

Reducir confusiones entre enfermedades parecidas

En la práctica, algunas enfermedades retinianas pueden parecerse, y puede ser especialmente dañino si un modelo de IA da respuestas conflictivas con seguridad —por ejemplo, llamando a la misma imagen tanto “normal” como “degeneración macular”. Para manejar esto, los autores construyeron una matriz de coocurrencia de enfermedades del fondo de ojo, un resumen estructurado de la probabilidad de que pares de enfermedades aparezcan juntos basado en conocimiento médico y estadísticas. Durante el entrenamiento, RetExpert aprende a alinear sus probabilidades de salida con estas relaciones médicamente sensatas. El equipo también introdujo una “puntuación de confusión” que mide con qué frecuencia el modelo confunde pares concretos de enfermedades. Con la información de coocurrencia en vigor, la confusión entre pares problemáticos, como degeneración macular y alta miopía, disminuyó en más de un tercio, haciendo que las predicciones sean más fiables para uso clínico.

Adaptarse en tiempo de prueba

Uno de los mayores obstáculos para desplegar IA en hospitales es el “desplazamiento de dominio”: las imágenes de una nueva clínica pueden diferir por distintos grupos de pacientes, tipos de cámaras o configuraciones de captura. Los sistemas convencionales deben reentrenarse o ajustarse extensamente cada vez que se trasladan a un nuevo entorno, lo que es costoso y lento. RetExpert, en cambio, realiza una adaptación ligera durante su uso. Cuando encuentra un lote de imágenes nuevas, ajusta brevemente solo sus pequeñas capas adaptadoras y la cabeza de decisión final, guiado primero por la estabilidad de sus propias características y luego por pseudoetiquetas ponderadas por las estimaciones de incertidumbre por enfermedad. Crucialmente, estas actualizaciones son temporales y se reinician después de cada lote, de modo que el núcleo del modelo no deriva con el tiempo, preservando la seguridad y la reproducibilidad mientras gana flexibilidad a corto plazo.

¿Qué tan bien funciona en el mundo real?

Los autores probaron RetExpert en dos grandes conjuntos de datos multienfermedad usados para el desarrollo y luego en 15 conjuntos adicionales, públicos y privados, recogidos en distintos países, con diferentes cámaras y en entornos clínicos variados. En la mayoría de las tareas —incluida la detección de retinopatía diabética, degeneración macular relacionada con la edad, glaucoma, cambios miópicos y toxoplasmosis ocular— RetExpert igualó o superó el rendimiento de los modelos fundamentales retinianos líderes actuales. También mostró mayor fiabilidad, con puntuaciones de confusión más bajas y mejores resultados en desafiantes conjuntos “fuera de distribución” que simulan nuevos hospitales y dispositivos. Aunque los sistemas altamente especializados en una sola enfermedad pueden seguir siendo algo mejores para esa condición concreta, RetExpert reduce la brecha mientras ofrece una cobertura amplia y multienfermedad en una única herramienta unificada.

Un paso hacia controles oculares automatizados y fiables

En términos cotidianos, RetExpert es como un oftalmólogo general experimentado construido sobre una gran base de conocimiento compartido, equipado con herramientas para manejar enfermedades raras, reconocer cuando tiene dudas y adaptarse rápidamente a nuevas clínicas sin reentrenamiento constante. Al combinar estos elementos —módulos adaptativos, aprendizaje consciente de la incertidumbre, conocimiento médico previo y adaptación en tiempo de prueba— el marco ofrece un cribado multienfermedad más preciso y fiable a partir de simples fotografías en color de la parte posterior del ojo. Si se desarrolla y valida más, este tipo de sistemas podría facilitar la detección temprana de condiciones que amenazan la visión a gran escala, especialmente en entornos con acceso limitado a especialistas en oftalmología.

Cita: Jiang, H., Liu, Z., Gao, M. et al. A test-time clinically adaptive framework for detecting multiple fundus diseases harnessing ophthalmic foundation models. npj Digit. Med. 9, 300 (2026). https://doi.org/10.1038/s41746-026-02480-1

Palabras clave: imagen retinal, IA médica, cribado multidisease, modelos fundamentales, adaptación de dominio