Comparación de múltiples redes neuronales convolucionales para el diagnóstico automático de la degeneración macular asociada a la edad usando retinografías

La degeneración macular asociada a la edad (DMAE) es la principal causa de pérdida irreversible de visión en la población anciana. Los algoritmos de deep learning y, en particular, las redes neuronales convolucionales (CNN), han demostrado ser útiles en el diagnóstico precoz de la enfermedad. En este trabajo se compararon 12 modelos CNN preentrenados: VGG-19 ResNet, InceptionV3, InceptionResNetV2, Xception, DenseNet, NASNet, MobileNetV3, RegNet, EfficientNetV2, ResNet-RS y ConvNeXt. se utilizó la base de datos ADAM, compuesta por 1,200 retinografías. Los resultados obtenidos permitieron seleccionar el modelo basado en la arquitectura ResNet-RS como aquel más adecuado para el diagnóstico, alcanzando una precisión del 89.50%, una sensibilidad del 90.35%, una especificidad del 86.52%, un F1-score de 0.93 y un área bajo la curva ROC de 0.9497. Cabe destacar que la arquitectura ResNet- RS nunca había sido explorada en el contexto de la DMAE. El modelo propuesto podría ser de utilidad en el entorno clínico y servir de base para desarrollar modelos más complejos.