Desarrollo de herramientas de procesado de imágenes e inteligencia artificial para la valoración de las glándulas de Meibomio.

Abstract

Las glándulas de Meibomio (GM) son glándulas sebáceas ubicadas en los tarsos palpebrales encargadas de secretar lípidos, denominados meibum, a la película lagrimal. El meibum es un componente fundamental de la capa lipídica lagrimal, aporta estabilidad, evita su evaporación y hace de barrera contra agentes externos. Para el estudio de las GM es necesaria la realización de un conjunto de pruebas de sintomatología y test clínicos. Una de las pruebas más características para su valoración y visualización es la meibografía. Actualmente, esta técnica especializada de imagen utiliza, en la mayoría de instrumentos desarrollados, luz Infrarroja para observar las estructuras glandulares. Los objetivos de esta tesis fueron, por una parte, el estudio de técnicas de iluminación dentro del espectro visible que permitieran la observación de las GM y su comparación con los meibógrafos disponibles en el mercado. Por otro lado, el estudio de los contrastes glandulares, dentro de la propia glándula y en el espacio entre ellas y su correlación con la fisiología glandular. Como objetivos secundarios, se estudió la posible utilización de los contrastes glandulares como biomarcador de patologías relacionadas con las GM y se comprobó la viabilidad del uso de técnicas de inteligencia artificial para la clasificación automática de grupos de pacientes con y sin patologías relacionadas con las GM. Como resultados de los estudios realizados, se observó, que el filtro de longitud de onda de 610 nm era el más idóneo, de los estudiados dentro del espectro visible, para la observación y análisis de las GM. En segundo lugar, el análisis de los contrastes de las GM determinó que el contraste medido en el espacio entre dos glándulas adyacentes es la característica que mejor define los contrastes glandulares. Siendo el contraste dentro de la propia glándula un dato de menor relevancia clínica. Siguiendo con los contrastes glandulares, el análisis comparativo realizado entre los grupos de estudio y entre diferentes tipos de contrastes de imagen tuvo como resultado que las imágenes meibográficas en las que se encontraron diferencias entre el grupo control y con patología eran aquellas tomadas por el instrumento de medida Oculus Keratograph 5MTM, las cuales habían sido modificadas con un contraste artificial añadido por el propio instrumento. Por último, se realizó un estudio para observar la viabilidad del uso de clasificadores Machine Learning para la clasificación de participantes en diferentes grupos de estudio basándose en sus datos clínicos. Se realizó un entrenamiento y verificación de los clasificadores obteniéndose precisiones, sensibilidades y especificidades medias y altas para el conjunto de entrenamiento. Posteriormente, se observó un descenso en las predicciones de los clasificadores cuando estos se verificaron con un grupo distinto de participantes. Este descenso fue debido al bajo número de sujetos que componían cada grupo de estudio, lo que propició un fenómeno de sobreajuste. Como conclusiones de esta tesis doctoral, se puede manifestar que, es posible la captura de imágenes meibogáficas con luz dentro del espectro visible, siendo esta técnica de iluminación comparable con la utilizada por un instrumento comercial utilizado en la práctica clínica, el cual utiliza luz Infrarroja. Por otra parte, se determinó que el análisis de los contrastes de las GM puede postularse como posible biomarcador de patología, para ello, debe tenerse en cuenta el tipo de instrumento utilizado, siendo el más apropiado el Oculus Keratograph 5MTM y el tipo de imagen a procesar, siendo las más adecuadas las imágenes meibográficas con contraste añadido por el propio intrumento de medida. Finalmente, exponer que es posible utilizar clasificadores de Machine Learning para clasificar diferentes grupos, con y sin alteraciones glandulares, basándose en sus datos clínicos, siendo necesario un incremento en el número de participantes.