Investigadores en India desarrollaron un sistema portátil que combina hardware y software optimizado para diagnosticar ocho tipos de padecimientos visuales con una precisión superior al 96%.
La pérdida de visión afecta a más de mil millones de personas en todo el mundo, especialmente en regiones con recursos limitados. Muchos equipos de diagnóstico ocular, como las cámaras de retina o los tomógrafos ópticos, son costosos y requieren personal especializado, lo que dificulta su uso en clínicas rurales. Para enfrentar este desafío, un grupo de investigadores del Shri Ramdeobaba College of Engineering & Management, en India, creó un dispositivo compacto e inteligente que utiliza artificial intelligence (AI) para analizar imágenes del fondo del ojo o fundus y detectar múltiples enfermedades visuales en tiempo real.
El sistema, descrito recientemente en Scientific Reports, combina un modelo avanzado de aprendizaje profundo or deep learning denominado EfficientNet-B0, con un módulo de atención espacial que mejora la precisión del análisis sin aumentar el consumo computacional. El dispositivo fue diseñado para operar en entornos con recursos limitados, utilizando componentes económicos como una cámara de 5 megapíxeles y una computadora Raspberry Pi 5.
El equipo logró integrar la captura de imágenes, la iluminación controlada y el procesamiento en el propio dispositivo, evitando la necesidad de conexión a internet o servidores externos. Este enfoque, edge AI, permite diagnósticos locales, protege la privacidad del paciente y facilita su implementación en zonas rurales.
Durante las pruebas, el modelo fue entrenado con más de 13 mil imágenes de retina provenientes de bases de datos públicas y hospitales. Alcanzó una precisión del 96.2% al identificar ocho enfermedades oculares, entre ellas retinopatía diabética, glaucoma, degeneración macular, cataratas y oclusión venosa retiniana. Además, el sistema genera mapas de calor que destacan las áreas de la retina más relevantes para el diagnóstico, ayudando a los especialistas a interpretar los resultados con mayor transparencia.
El prototipo procesó cada imagen en apenas cinco segundos, una velocidad suficiente para su uso durante exámenes clínicos. Los investigadores destacan que su enfoque ofrece una alternativa realista para centros de salud con acceso limitado a oftalmólogos o infraestructura avanzada.
En el futuro, los investigadores planean ampliar su base de datos y adaptar el modelo para detectar otras enfermedades oculares y sistémicas, como la neuropatía óptica o la retinitis pigmentosa.
