%0 Thesis
%A Ariza López, Luis
%A Sanz Ramos, Álvaro
%T Diabetic retinopathy diagnosis using deep learning
%D 2023
%U https://hdl.handle.net/20.500.14352/87739
%X Diabetic retinopathy (DR) is one of the main complications of diabetes and the leading cause of new cases of blindness. Early detection is fundamental for a good prognosis, but diagnosis is a hard, expensive and time-consumingprocess. The need of automating methods for DR grading was recognized time ago, but most approaches in literature require vast computationalpower and have not been designed with interpretability in mind.We show that a model based in a convolutional neural network can achieve excellent performance at DR grading, comparing favorably to much larger models and achieving state-of-the-art results. Using transfer learning, we reduce to the minimum the computational requirements: the model can be trained in a few hours on domestic hardware.We use the hidden representation learned by the model to identify images diagnostically similar to a given one and explore the possibility of using this model in a clinical setting in a series of test carried on collaborationwith a professional ophthalmologist. According to the criterion of the professional, the tool correctly identifies similar images and is a helpful assistance during diagnosis.Furthermore, we implement several interpretability tools to understand how the model makes predictions, address important concerns for clinical application (as calibration) and compare our approach to an alternative one using Vision Transformers under strict computational requirements.
%X La retinopatía diabética es una de las principales complicaciones de la diabetes y la principal causa de nuevos casos de ceguera. Detectar esta enfermedad en sus primeras etapas es clave para un buen pronóstico, pero el diagnóstico es un proceso difícil, caro y que requiere tiempo. Para solventar estos inconvenientes se han desarrollado métodos que automatizan el diagnóstico, pero la mayor parte de ellos requieren grandes recursos computacionales y no son interpretables.En este trabajo se demuestra que un modelo basado en redes convolucionales puede diagnosticar con gran precisión la retinopatía diabética a partir de retinografías. El modelo, entrenado en pocas horas utilizando aprendizaje transferido y con requisitos computacionales mínimos, obtiene resultados punteros, superiores a los de modelos mucho más complejos.Como ejemplo de la aplicabilidad de este modelo, hemos utilizado la representación interna aprendida por la red neuronal para identificar imágenes con características diagnósticas similares a una imagen base. Una serie de pruebas con una oftalmóloga profesional, asientan la posibilidad de utilizar el modelo en la práctica clínica: la profesional consideró que la herramienta era capaz de identificar imágenes similares consistentemente y resultaba de ayuda para realizar el diagnóstico.También implementamos diversas técnicas de interpretabilidad para comprender el funcionamiento del modelo y abordamos posibles obstáculos para el uso práctico del modelo (como la calibración). Complementariamente, realizamos una comparación entre nuestro modelo y una aproximación basada en Vision Transformers.
%~