Un método generalizable de detección de enfermedades oculares basado en Zero-Shot Learning

Por qué importan las advertencias oculares tempranas

Muchos problemas oculares graves comienzan con cambios tan sutiles que incluso especialistas entrenados pueden tener dificultades para detectarlos. La retinopatía diabética leve, una complicación temprana de la diabetes, es una de esas señales silenciosas: detectarla a tiempo puede prevenir la pérdida de visión, pero exige una inspección cuidadosa de las fotografías de la retina y una enorme cantidad de imágenes etiquetadas por expertos para entrenar los sistemas de inteligencia artificial (IA) actuales. Este estudio presenta un nuevo tipo de IA que puede aprender a identificar la enfermedad temprana incluso cuando los médicos nunca han etiquetado ejemplos de esa condición específica, lo que podría abrir la puerta a cribados oculares más rápidos y asequibles en todo el mundo.

Una nueva forma de enseñar a las máquinas sin respuestas

Los investigadores se basan en un concepto llamado zero-shot learning, donde un sistema de IA aprende a reconocer algo nuevo sin haber visto ejemplos etiquetados de ello antes. En lugar de memorizar etiquetas de enfermedad, el sistema imita cómo razonan los clínicos: busca enfermedades relacionadas que compartan patrones visuales y transfiere lo que aprende de ellas. Aquí, el equipo se centró en la retinopatía diabética leve (DR1) pero entrenó su método sin una sola imagen etiquetada como DR1. En su lugar, reunieron un recurso masivo de fotografías retinianas, llamado conjunto de datos LCFP-14M, integrando más de un millón de imágenes y once categorías de enfermedades oculares extraídas de muchas bases públicas. Esta mezcla rica de imágenes proporciona la “experiencia” visual a partir de la cual la IA puede inferir patrones de enfermedad.

Encontrar una enfermedad parecida

Para saber de dónde tomar prestado el conocimiento, el primer paso del sistema es medir qué tan parecidas se ven entre sí las diferentes enfermedades oculares. El equipo utilizó una red neuronal siamesa, un par de modelos de IA idénticos que inspeccionan dos imágenes retinianas a la vez y aprenden a decir si probablemente pertenecen a la misma enfermedad. Al comparar miles de pares de imágenes, el modelo construyó un mapa de cuán estrechamente se parecen once enfermedades a la retinopatía diabética leve. Descubrió que la miopía degenerativa, una condición que implica estiramiento y adelgazamiento de la parte posterior del ojo, producía imágenes retinianas más fuertemente correlacionadas con esos cambios diabéticos iniciales. En términos humanos, la miopía degenerativa se convirtió en la “pariente más cercana” que podía enseñar al sistema qué observar.

Enseñar al sistema cómo se ven las lesiones diminutas

Una vez encontrada una “enfermedad maestra” adecuada, la siguiente tarea fue mostrar a la IA qué puntos específicos de la retina son más relevantes para el daño diabético temprano. Usando un segundo modelo llamado U-Net, los investigadores entrenaron un sistema de segmentación en conjuntos de datos establecidos donde los expertos habían marcado tres signos clave: pequeñas dilataciones en los vasos sanguíneos conocidas como microaneurismas, pequeñas hemorragias y puntos algodonosos pálidos. Aunque no todos son exclusivos de la etapa leve, en conjunto trazan una senda temprana de daño en la circulación retiniana. U-Net aprendió a resaltar precisamente estas lesiones en las imágenes, convirtiendo fotografías crudas en mapas focalizados donde los signos de advertencia importantes destacan mientras los detalles menos relevantes se atenúan.

Agrupar una enfermedad no vista en sano y no sano

Con esta visión centrada en las lesiones, el sistema procesó entonces imágenes de pacientes con miopía degenerativa, pero con las lesiones de tipo diabético enfatizadas y los artefactos específicos de la enfermedad atenuados. Un tercer modelo, basado en una red ResNet combinada con un algoritmo de clustering aglomerativo, convirtió estas imágenes segmentadas en descripciones numéricas compactas y las agrupó en dos clústeres naturales. Crucialmente, el algoritmo lo hizo sin etiquetas que indicaran qué ojos estaban sanos o enfermos; simplemente organizó las imágenes según patrones visuales compartidos. Cuando el equipo comparó más tarde estos clústeres con etiquetas clínicas verdaderas en un conjunto de prueba independiente, un clúster se alineó con DR1 y el otro con ojos no enfermos, demostrando que la IA había “descubierto” efectivamente la retinopatía diabética leve por sí sola.

Cómo se compara el nuevo enfoque

Para evaluar si este sistema zero-shot era útil en la práctica, los investigadores lo compararon con modelos de aprendizaje profundo «few-shot» más convencionales que sí podían ver un pequeño número de ejemplos etiquetados. Probaron arquitecturas populares como ResNet, VGG, MobileNet y AlexNet, todas entrenadas con cantidades limitadas de datos etiquetados y luego evaluadas en un conjunto externo llamado EyePACS. El modelo zero-shot, a pesar de no haber visto imágenes DR1 etiquetadas durante el entrenamiento, alcanzó una precisión de alrededor del 83% y una alta puntuación de área bajo la curva, superando a la mayoría de estos competidores supervisados—especialmente en precisión, lo que significa que los ojos que marcó como enfermos solían estar realmente en riesgo. Experimentos de ablación, en los que se eliminaron componentes individuales, confirmaron que tanto el paso de similitud entre enfermedades como el de segmentación de lesiones eran esenciales para este rendimiento sólido.

Qué significa esto para el cuidado ocular futuro

En términos cotidianos, este trabajo demuestra que una IA puede aprender a detectar el daño ocular diabético temprano mediante «razonamiento por analogía» a partir de enfermedades relacionadas y pistas visuales definidas por expertos, en lugar de depender de miles de ejemplos cuidadosamente etiquetados de la condición exacta de interés. Eso podría ser un cambio radical para los programas de cribado en regiones donde la etiquetación experta es cara o escasa, o para enfermedades oculares recién reconocidas que carecen de grandes conjuntos de datos curados. Si bien el método aún enfrenta desafíos—como extenderse más allá de las fotos de fondo de ojo a otras tecnologías de imagen y hacer sus decisiones más transparentes para médicos y pacientes—apunta hacia un futuro en el que las máquinas ayuden a los clínicos a detectar enfermedades oculares sutiles antes, utilizando muchas menos imágenes etiquetadas que las requeridas por los sistemas actuales.

Cita: Pan, C., Wang, Y., Jiang, Y. et al. A generalizable eye disease detection method based on Zero-Shot Learning. Commun Med 6, 249 (2026). https://doi.org/10.1038/s43856-026-01439-3

Palabras clave: retinopatía diabética, imágenes retinianas, zero-shot learning, IA médica, cribado de enfermedades oculares