Dos pacientes pueden presentar una alteración macular muy similar y, sin embargo, generar imágenes con características diferentes cuando son explorados mediante equipos de tomografía de coherencia óptica de distintos fabricantes. La resolución axial, el número de cortes, el área escaneada, el procesamiento de la señal y los algoritmos de reducción de ruido modifican la apariencia final del estudio.
Esta variabilidad constituye uno de los principales obstáculos para trasladar ciertos sistemas de inteligencia artificial desde un entorno experimental hasta la práctica asistencial. Desde nuestra perspectiva profesional, el reto ya no consiste únicamente en demostrar que un algoritmo puede reconocer una enfermedad en una base de datos concreta. Necesitamos soluciones capaces de mantener un rendimiento consistente cuando reciben estudios obtenidos en centros, poblaciones y dispositivos diferentes.
Los modelos vendor-agnostic tratan de responder a esa necesidad. Su objetivo es analizar volúmenes OCT tridimensionales sin quedar vinculados a un único fabricante. Este enfoque puede facilitar el uso de herramientas diagnósticas en redes hospitalarias heterogéneas, programas de cribado, consultas privadas y servicios de teleoftalmología.
¿Por qué la inteligencia artificial depende todavía del equipo de OCT?
El aprendizaje profundo se basa en la identificación de patrones presentes en los datos utilizados durante el entrenamiento. Cuando un sistema se desarrolla exclusivamente con imágenes procedentes de un dispositivo concreto, puede aprender características relacionadas con la enfermedad, pero también elementos propios de ese equipo.
Las diferencias entre plataformas pueden incluir la resolución, el contraste, la orientación de los cortes, el espaciado entre B-scans, el tamaño del volumen, la segmentación automática o la presencia de determinados artefactos. Una red neuronal puede interpretar algunas de estas particularidades como señales diagnósticas, aunque carezcan de significado clínico.
Este fenómeno ayuda a explicar por qué ciertos algoritmos alcanzan resultados elevados durante la validación interna y pierden precisión al aplicarse en otro hospital. El rendimiento observado en una muestra procedente del mismo entorno de entrenamiento no garantiza necesariamente una generalización adecuada.
La dependencia tecnológica limita el valor práctico de la herramienta. Una clínica que sustituya sus equipos, una red sanitaria que trabaje con varias marcas o un proyecto multicéntrico podrían verse obligados a recalibrar, reentrenar o validar de nuevo el sistema.
Por esta razón, la robustez frente a distintos dispositivos se está convirtiendo en un criterio relevante para evaluar la madurez de la inteligencia artificial aplicada a la imagen retiniana.
¿Qué es un modelo vendor-agnostic aplicado a la OCT 3D?
Bajo este concepto agrupamos los sistemas diseñados para interpretar estudios tomográficos obtenidos mediante diferentes plataformas, sin desarrollar un algoritmo independiente para cada fabricante. El propósito es reducir la sensibilidad del modelo ante las variaciones técnicas que no representan cambios patológicos.
El término no implica que todas las imágenes sean idénticas ni que el dispositivo deje de ser relevante. Cada plataforma conserva sus especificaciones, protocolos y limitaciones. Lo que buscamos es que la predicción dependa principalmente de la anatomía y de los signos de enfermedad presentes en el volumen.
Un trabajo publicado en 2026 evaluó un modelo de aprendizaje profundo para clasificar varias patologías maculares a partir de volúmenes OCT tridimensionales procedentes de distintos fabricantes. El sistema se entrenó con estudios de una plataforma y se adaptó para analizar imágenes de otra mediante técnicas orientadas a reducir el cambio de dominio. Los resultados mostraron precisiones medias situadas aproximadamente entre el 88 % y el 93 %, junto con valores predictivos negativos superiores al 97 % en la evaluación comunicada. Estos datos son prometedores, aunque deben interpretarse según el diseño, las poblaciones y las condiciones del estudio.
La principal aportación de este tipo de investigación reside en el planteamiento. En lugar de asumir que cada fabricante constituye un entorno cerrado, se intenta construir una capa común de análisis aplicable a una infraestructura diagnóstica heterogénea.
Cómo se adapta un algoritmo a imágenes procedentes de distintos fabricantes
La independencia respecto al equipo requiere una combinación de diseño metodológico, diversidad de datos y validación externa. No basta con mezclar imágenes de varias marcas y esperar que el modelo ignore automáticamente sus diferencias.
Los investigadores deben identificar qué características son clínicamente relevantes, cuáles proceden del proceso de adquisición y cómo puede evitarse que el sistema utilice atajos visuales relacionados con el dispositivo.
El problema del cambio de dominio
Una red entrenada con una distribución de datos concreta puede encontrar dificultades cuando se enfrenta a otra distribución. En visión médica, este cambio puede producirse al modificar el fabricante, el protocolo de adquisición, el centro sanitario o las características demográficas de los pacientes.
Pensemos en un algoritmo que ha aprendido a detectar líquido intrarretiniano mediante imágenes de alta resolución, con un espaciado uniforme entre cortes y un contraste específico. Si recibe un volumen con distinta densidad de escaneo o con otro procesamiento de la señal, parte de los patrones aprendidos puede dejar de ser reconocible.
La cuestión resulta especialmente relevante porque el sistema puede seguir generando una respuesta con apariencia de seguridad. Por ello, la incertidumbre, la detección de datos fuera de distribución y el control previo de la calidad deben formar parte del flujo de análisis.
Adaptación no supervisada entre dispositivos
Una de las estrategias investigadas consiste en aprovechar estudios de un nuevo equipo aunque no todos dispongan de una anotación clínica exhaustiva. La adaptación de dominio no supervisada trata de alinear las representaciones internas de las imágenes de origen y destino, reduciendo las diferencias asociadas al fabricante.
Durante este proceso, el modelo aprende a conservar los rasgos vinculados a la anatomía y a la patología, mientras disminuye el peso de las características específicas del dispositivo. La finalidad no es transformar de forma superficial una imagen para que parezca obtenida por otra máquina, sino construir representaciones que resulten comparables para la tarea diagnóstica.
Este planteamiento puede reducir el esfuerzo necesario para etiquetar miles de volúmenes nuevos. Aun así, no elimina la necesidad de contar con una muestra clínica bien caracterizada para la validación final. Una adaptación técnica satisfactoria no demuestra por sí misma que el sistema sea seguro en todos los escenarios asistenciales.
Análisis del volumen completo frente al estudio de cortes aislados
Muchos de los primeros modelos trabajaban con B-scans seleccionados. Esta aproximación simplifica el entrenamiento, pero puede perder información espacial relevante. Una lesión focal puede aparecer en pocos cortes, mientras que su relación con otras estructuras se comprende mejor al revisar el cubo macular completo.
Los métodos tridimensionales integran información procedente de múltiples secciones. Así pueden valorar la extensión de una anomalía, su distribución y la continuidad de los cambios morfológicos. Este análisis se aproxima más al modo en que un especialista recorre un volumen durante la interpretación clínica. El procesamiento 3D presenta exigencias mayores:
- Requiere más capacidad computacional. Un cubo contiene mucha más información que una imagen aislada, por lo que aumentan las necesidades de memoria y procesamiento.
- Obliga a normalizar el protocolo de entrada. Los dispositivos pueden generar volúmenes con dimensiones, resoluciones y densidades diferentes. El sistema debe reorganizar esa información sin perder detalles clínicos.
- Necesita manejar cortes de calidad desigual. Los movimientos oculares, las sombras, el parpadeo y los errores de segmentación pueden afectar únicamente a determinadas zonas del estudio.
- Debe combinar las predicciones locales. La presencia de un hallazgo en un B-scan no siempre basta para establecer una clasificación a nivel de ojo o paciente.
Las investigaciones más recientes exploran flujos que evalúan primero la calidad, detectan después la existencia de anomalías y realizan finalmente una clasificación a nivel del volumen. Un sistema presentado en 2026 combinó estas etapas para automatizar el análisis de OCT 3D y fue validado externamente en varios centros y equipos, aunque se trata de un trabajo prepublicado pendiente de la evaluación definitiva propia de una publicación revisada por pares.
¿Qué enfermedades maculares pueden identificarse mediante estos sistemas?
La mácula concentra una amplia variedad de signos tomográficos susceptibles de análisis automatizado. Entre ellos encontramos líquido intrarretiniano, líquido subretiniano, alteraciones del epitelio pigmentario, drusas, cambios en la interfase vitreorretiniana, defectos estructurales y pérdida de tejido.
La clasificación multienfermedad supone un paso más complejo que la detección binaria de normalidad. El modelo debe diferenciar patologías que pueden compartir determinados hallazgos y reconocer la posibilidad de que varias alteraciones coexistan en un mismo ojo.
Degeneración macular asociada a la edad
La tomografía es esencial para evaluar los cambios estructurales asociados a la DMAE. Los sistemas de aprendizaje profundo pueden aprender a identificar drusas, desprendimientos del epitelio pigmentario, fluido, material hiperreflectivo y signos de atrofia.
Un análisis automatizado podría ayudar a distinguir casos sin alteraciones relevantes, formas intermedias, atrofia geográfica y enfermedad neovascular. Ya se han desarrollado clasificadores basados en volúmenes maculares completos para diferenciar varios estadios de DMAE, aunque el rendimiento clínico depende de la calidad de los datos y del contexto en el que se aplique el modelo.
En la consulta, la utilidad potencial va más allá de asignar una etiqueta. El seguimiento longitudinal podría cuantificar cambios morfológicos, detectar actividad y señalar estudios que requieren una revisión prioritaria. Estas funciones deben mantenerse bajo supervisión del retinólogo, especialmente cuando influyen en decisiones terapéuticas.
Edema macular diabético
La acumulación de líquido, los quistes intrarretinianos y las modificaciones del grosor central ofrecen patrones que pueden analizarse mediante herramientas automatizadas. La cuantificación reproducible puede contribuir al seguimiento de la respuesta terapéutica y a la comparación entre visitas.
El reto consiste en distinguir el edema diabético de otras causas de engrosamiento o fluido macular. Un algoritmo multiclase debe interpretar el patrón completo y, cuando sea posible, integrarlo con datos clínicos, retinografía, angiografía u otras modalidades.
En programas de cribado, la OCT puede aportar información decisiva para identificar afectación macular. Sin embargo, su coste y disponibilidad son superiores a los de la fotografía de fondo. Una solución independiente del dispositivo podría facilitar el análisis en centros con equipamiento diverso y reducir la fragmentación tecnológica.
Membrana epirretiniana y agujero macular
Las alteraciones de la interfase vitreomacular presentan características morfológicas reconocibles en los cortes tomográficos. La presencia de una membrana, la distorsión del perfil foveal, la tracción o la pérdida de continuidad tisular pueden ser detectadas mediante modelos entrenados para segmentar y clasificar estructuras.
La interpretación clínica exige valorar la extensión, el impacto anatómico y la relación con los síntomas. Por este motivo, una clasificación automática no sustituye la evaluación del especialista. Su mayor utilidad podría encontrarse en la detección inicial, la medición objetiva y la priorización de estudios.
Para el seguimiento posquirúrgico, la comparación automatizada de volúmenes podría facilitar la identificación de cambios sutiles. Este uso requiere un registro preciso entre exploraciones y capacidad para reconocer variaciones asociadas a la cirugía.
Otras alteraciones detectables en la OCT
Los sistemas multienfermedad pueden incluir miopía patológica, coriorretinopatía serosa central, oclusiones vasculares, distrofias y otros cuadros con manifestaciones maculares. El número de categorías debe equilibrarse con la calidad y representatividad de los ejemplos disponibles.
Una clasificación muy amplia puede resultar atractiva, pero aumenta el riesgo de confusión entre enfermedades infrecuentes o fenotipos similares. Desde un punto de vista asistencial, puede ser más seguro combinar tres salidas: normalidad, patología conocida y anomalía que requiere revisión.
La detección de anomalías ofrece una vía complementaria. En lugar de exigir que todos los diagnósticos estén previamente representados, el sistema aprende el aspecto de la normalidad e identifica desviaciones que deben ser examinadas. Esta estrategia podría reducir el riesgo de pasar por alto enfermedades ausentes en el conjunto de entrenamiento.
Ventajas clínicas de una IA independiente del fabricante
El beneficio principal no se limita a mejorar una métrica de precisión. El verdadero valor aparece cuando la tecnología puede incorporarse a diferentes entornos sin reconstruir todo el sistema para cada plataforma.
Desde nuestra perspectiva, la escalabilidad depende de la interoperabilidad, la capacidad de generalización y la integración con los procesos existentes. Si estos elementos fallan, un algoritmo excelente puede tener una utilidad asistencial reducida.
Mayor escalabilidad en hospitales y redes asistenciales
Los grupos hospitalarios suelen disponer de equipos adquiridos en momentos distintos y procedentes de varias marcas. Un sistema vinculado a una sola plataforma fragmenta la implantación y obliga a mantener versiones específicas.
Una arquitectura independiente permitiría aplicar criterios de análisis comunes en centros de referencia, hospitales comarcales y consultas periféricas. Esto facilitaría la creación de redes de lectura, programas de cribado y circuitos de derivación compartidos.
La escalabilidad tampoco debe confundirse con una implantación automática. Cada organización necesita verificar el rendimiento con sus propios pacientes, protocolos y condiciones de adquisición. La ventaja reside en reducir las barreras técnicas, no en prescindir de la validación local.
Estandarización de la interpretación de las pruebas
La lectura de un volumen OCT puede variar según la experiencia del observador, la carga asistencial o la complejidad del caso. Un análisis automatizado puede ofrecer mediciones consistentes y señalar hallazgos conforme a criterios predefinidos.
Esta estandarización puede resultar útil en estudios multicéntricos, ensayos clínicos y seguimiento longitudinal. Cuando cada centro utiliza un dispositivo diferente, la comparabilidad se convierte en una dificultad metodológica relevante.
Para que la homogeneización sea clínicamente válida, el sistema debe diferenciar entre una variación técnica y un cambio anatómico real. Una normalización excesiva podría borrar información útil, mientras que una corrección insuficiente mantendría el sesgo del fabricante.
Apoyo al cribado y la priorización de pacientes
El volumen de pruebas generado por los servicios de oftalmología crece de forma continua. La inteligencia artificial puede actuar como herramienta de triaje para identificar estudios sospechosos y ordenar la revisión según su urgencia probable. Un circuito posible podría seguir estas fases:
- Comprobación de calidad. El sistema verifica que el volumen sea interpretable y solicita una nueva adquisición cuando detecta errores relevantes.
- Detección de normalidad o anomalía. Los estudios aparentemente normales pueden seguir un circuito de confirmación simplificado.
- Clasificación orientativa. Los casos patológicos se agrupan según el patrón macular predominante.
- Asignación de prioridad. Los signos compatibles con actividad exudativa, tracción significativa u otras situaciones sensibles al tiempo reciben una revisión preferente.
- Validación profesional. El oftalmólogo confirma, corrige o amplía el resultado antes de establecer una conducta clínica.
Este esquema puede mejorar la organización, pero la prioridad automática debe diseñarse con márgenes de seguridad. Un falso negativo en una enfermedad tratable tiene consecuencias distintas a las de una clasificación imprecisa entre dos alteraciones de baja urgencia.
¿Qué requisitos debe cumplir antes de incorporarse a la consulta?
La transición desde un estudio retrospectivo hasta un producto sanitario exige evaluar muchas más variables que la exactitud. Debemos conocer cómo responde el sistema ante imágenes deficientes, patologías combinadas, cambios demográficos y escenarios distintos a los del entrenamiento.
Una integración responsable requiere evidencia clínica, gobernanza de datos, trazabilidad, protocolos de supervisión y una definición precisa del uso previsto.
Validación externa y representatividad de los datos
La prueba más exigente consiste en evaluar el algoritmo en centros que no participaron en su desarrollo. Una validación externa permite comprobar si el rendimiento se mantiene con otros pacientes, operadores y dispositivos.
También debemos examinar la composición de la muestra. La edad, el origen poblacional, la prevalencia de cada enfermedad, la gravedad y la presencia de comorbilidades pueden influir en los resultados. Una media global elevada puede ocultar un rendimiento insuficiente en subgrupos concretos.
Los estudios prospectivos aportan una evidencia más cercana a la realidad asistencial. Durante su ejecución aparecen imágenes imperfectas, diagnósticos inciertos y situaciones que suelen estar infrarrepresentadas en las bases retrospectivas.
Control de calidad de las imágenes
Una predicción clínica carece de valor si el volumen de entrada no reúne unas condiciones mínimas. El movimiento, la mala fijación, las opacidades de medios y los errores de centrado pueden alterar la imagen.
Por ello, recomendamos que el sistema incluya una etapa específica de evaluación de calidad. Cuando la exploración no sea interpretable, la salida adecuada debería ser una solicitud de repetición o revisión, en lugar de una clasificación forzada.
El control debe adaptarse a cada plataforma. Un artefacto puede manifestarse de manera diferente según el dispositivo y el algoritmo de reconstrucción. Este punto vuelve a poner de relieve la necesidad de trabajar con datos variados.
Explicabilidad, supervisión médica e integración tecnológica
El profesional necesita entender qué hallazgos sustentan una predicción. Los mapas de atención pueden ofrecer una orientación, pero no siempre equivalen a una explicación clínica fiable. Resulta preferible que la herramienta señale estructuras, cuantifique biomarcadores y muestre los cortes relevantes.
La salida debería integrarse en el visor habitual, el historial electrónico o el sistema de gestión de imágenes. Una aplicación aislada que exija exportar manualmente los estudios crea fricción, aumenta el riesgo de errores y dificulta la trazabilidad.
La responsabilidad final permanece dentro del circuito asistencial. Deben definirse los casos en los que la decisión automatizada requiere confirmación, los procedimientos ante discrepancias y el registro de las modificaciones realizadas por el especialista.
Limitaciones que todavía debemos resolver
El concepto vendor-agnostic representa un avance, pero no garantiza una generalización universal. Un sistema validado con dos plataformas puede fallar ante una tercera, un nuevo protocolo o una actualización de software del fabricante.
La disponibilidad de datos constituye otra barrera. Los volúmenes OCT ocupan más espacio que las imágenes bidimensionales y requieren procesos rigurosos de anonimización, almacenamiento, transferencia y etiquetado. Las anotaciones clínicas pueden variar entre especialistas, especialmente en casos complejos.
La prevalencia real modifica el valor predictivo. Un algoritmo evaluado en una unidad de retina, donde la enfermedad es frecuente, puede comportarse de manera distinta en un cribado poblacional. Por esta razón, sensibilidad, especificidad y área bajo la curva deben acompañarse de métricas adaptadas al entorno de uso.
También debemos vigilar la deriva del modelo. Los equipos evolucionan, los protocolos cambian y la población atendida puede modificarse. La supervisión posterior a la implantación resulta imprescindible para detectar una pérdida gradual de rendimiento.
Por último, la clasificación diagnóstica es solo una parte de la atención. Una imagen debe interpretarse junto con la agudeza visual, los antecedentes, los síntomas, la exploración y las pruebas complementarias. La tecnología puede reforzar el proceso, pero no debe convertir una señal aislada en una conclusión descontextualizada.
Hacia una infraestructura común para el análisis automatizado de OCT
El futuro más útil para la inteligencia artificial retiniana probablemente no dependerá de un único algoritmo capaz de resolver todas las situaciones. Resulta más realista pensar en una infraestructura compuesta por módulos de calidad, segmentación, detección de anomalías, clasificación, cuantificación y seguimiento.
Los modelos independientes del fabricante pueden convertirse en una pieza relevante de esa arquitectura. Su capacidad para trabajar con equipos distintos facilitaría la creación de repositorios multicéntricos, circuitos de teleoftalmología y sistemas de apoyo aplicables a redes asistenciales amplias.
Los modelos fundacionales abren otra línea de desarrollo. Al entrenarse con grandes volúmenes de imágenes, pueden aprender representaciones reutilizables para diferentes tareas. Sin embargo, su tamaño y complejidad no garantizan por sí mismos mejores resultados. Estudios recientes sugieren que, para algunas tareas retinianas, arquitecturas más compactas pueden ofrecer un equilibrio competitivo entre precisión y coste computacional.
En nuestra opinión, el progreso deberá medirse por su impacto en la atención: diagnósticos más tempranos, menos pruebas perdidas, una priorización más segura y mayor acceso al especialista. Para alcanzar ese escenario, la independencia respecto al fabricante tiene que ir acompañada de evidencia clínica, interoperabilidad y vigilancia continua.
La OCT 3D proporciona una representación extraordinariamente detallada de la mácula. Convertir esa riqueza de información en decisiones escalables exige herramientas capaces de adaptarse al mundo real, donde conviven dispositivos, protocolos y pacientes diversos. Los modelos vendor-agnostic constituyen una vía prometedora para reducir esa fragmentación, siempre que los incorporemos con rigor y mantengamos el criterio oftalmológico en el centro del proceso.
