El proyecto presentado puede adoptar varios planes de desarrollo futuros. En primer lugar, cabe decir que la versi´on actual del proyecto ha sido enfocada como una herramienta de ayuda a la detecci´on de glaucoma en procesos descreening, pero tambi´en se ha tenido en mente la utilidad que la aplicaci´on podr´ıa tener para la ayuda a la detecci´on en el cribado de otras enfermedades oftalmol´ogicas. Es por ello que la plataforma ha sido dise˜nada para que resulte sencillo a˜nadir nuevos casos de estudio, y se ha adaptado para poder integrarse en el futuro nuevos modelos de clasificaci´on autom´atica que sirvan de apoyo para el diagn´ostico de diversas patolog´ıas.
Por otro lado, el despliegue del modelo de Deep Learning en un servidor REST API ha sido pensado para un n´umero limitado de peticiones simult´aneas por parte de los usuarios. No obstante, si se da en un futuro una situaci´on con una gran cantidad de usuarios realizando peticiones simult´aneamente, el servidor podr´ıa colapsar, por lo que ser´ıa necesaria la readaptaci´on de este sistema. Una buena soluci´on es la presentada en [25], donde se explica c´omo construir un servidor REST API escalable con las mismas caracter´ısticas. Esta t´ecnica consistir´ıa principalmente en a˜nadir, al dise˜no del servidor implementado en el trabajo, un m´odulo de gesti´on de colas que permita almacenar las peticiones entrantes y mandarlas de forma controlada al servidor.
Otro punto importante a mencionar es que este trabajo se ha centrado en aspectos funcionales de la aplicaci´on pero no ha abordado otros requerimientos de seguridad, muy importantes en aplicaciones m´edicas por la privacidad de los datos, o de rendimiento.
Entre las l´ıneas futuras tambi´en se encuentra desplegar la aplicaci´on web y la REST API con el modelo de aprendizaje en un servidor del Centro de Supercomputaci´on y Visu- alizaci´on de Madrid (Cesvima). Adem´as, el servidor de correo utilizado por la aplicaci´on utilizado es el servidor Gmail de Google, que es ´util para desarrollo, pero en producci´on es preferible utilizar un servidor SMTP adaptado a los requerimientos de la aplicaci´on.
Otro aspecto que se ha considerado en el apartado de Prueba del modelo de Deep Learning sobre un conjunto de datos de test del Cap´ıtulo 4 es la sustituci´on del modelo de clasificaci´on autom´atica por otro con mejores ratios de sensibilidad y especificidad.
Para terminar, es importante mencionar que un gran reto con el que se encuentran actualmente los sistemas basados en aprendizaje profundo es la extracci´on de informaci´on cualitativa del modelo en el proceso de clasificaci´on. Esto es, en otras palabras, extraer
informaci´on de los pasos intermedios de la red, en base a los hallazgos de la red que contribuyen en mayor medida a la decisi´on final. Este reto es tambi´en trasladable a nuestro proyecto, puesto que el desarrollo de estas t´ecnicas podr´ıa suponer una enorme contribuci´on a la toma de decisiones m´edicas por parte de los especialistas.
Bibliograf´ıa
[1] “Glaucoma”. Medline Plus. https://medlineplus.gov/ency/article/001620.htm. Fecha de acceso: Abril 2020.
[2] OMS. 2010. “Telemedicine. Oportunities and Developments in Member States. Re- port on the Second Survey on eHealth. Global Observatory for eHealth Series - Vol- ume 2.” http://www.who.int/goe/publications/goe telemedicine 2010.pdf. Fecha de acceso: Junio 2020.
[3] G´omez Valverde, Juan Jos´e. 2018. ”Image processing methods for computer-aided screening for disease”, p.15-18. Tesis doctoral. ETSIT UPM. Fecha de acceso: Junio 2020.
[4] Lou, L., E. A. Sickles, H. K. Huang, D. Hoogstrate, Fei Cao, Jun Wang, and M. Ja- hangiri. 1997. “Full-Field Direct Digital Telemammography: Technical Components, Study Protocols, and Preliminary Results.” IEEE Transactions on Information Tech- nology in Biomedicine. https://doi.org/10.1109/4233.681171. Fecha de acceso: Junio 2020.
[5] Pruthi, Sandhya, Kevin J. Stange, Gerald D. Malagrino, Kashmira S. Chawla, Nicholas F. LaRusso, and Judith S. Kaur. 2013. “Successful Implementation of a Telemedicine-Based Counseling Program for High-Risk Patients With Breast Can- cer.” Mayo Clinic Proceedings. https://doi.org/10.1016/j.mayocp.2012.10.015. Fecha de acceso: Junio 2020.
[6] Quinley, Kelly E., Rachel H. Gormley, Sarah J. Ratcliffe, Ting Shih, Zsofia Szep, Ann Steiner, Doreen Ramogola-Masire, and Carrie L. Kovarik. 2011. “Use of Mobile Telemedicine for Cervical Cancer Screening.” Journal of Telemedicine and Telecare. https://doi.org/10.1258/jtt.2011.101008. Fecha de acceso: Junio 2020.
[7] Takizawa, M., S. Sone, K. Hanamura, and K. Asakura. 2001. “Telemedicine System Using Computed Tomography van of High-Speed Telecommunica- tion Vehicle.” IEEE Transactions on Information Technology in Biomedicine. https://doi.org/10.1109/4233.908348. Fecha de acceso: Junio 2020.
[8] DeepMind. 2018. “A major milestone for the treatment of eye disease”. https://deepmind.com/blog/article/moorfields-major-milestone/. Fecha de acceso: Junio 2020.
[9] Grand Challenge. 2020. “Retinal Fundus Glaucoma Challenge”. https://refuge.grand- challenge.org/. Fecha de acceso: Junio 2020.
[10] Hern´andez, Uriel. 2015. “MVC (Model, View, Controller) Explicado”. https://codigofacilito.com/articulos/mvc-model-view-controller-explicado/. Fecha de acceso: Abril 2020.
[11] Quemada, Juan. 2019. “Apuntes de la asignatura Computaci´on en red: express.js, Middleware, Formularios, MVC y AJAX”. ETSIT UPM. Fecha de acceso: Abril 2020.
[12] Laravel. “Documentaci´on de Laravel”. https://laravel.com/. Fecha de acceso: Di- ciembre 2019.
[13] Vagrant. “Documentaci´on de Vagrant”. https://www.vagrantup.com/. Fecha de ac- ceso: Diciembre 2019.
[14] Bootstrap. “Documentaci´on de Bootstrap”. https://getbootstrap.com/. Fecha de ac- ceso: Diciembre 2019.
[15] Rosebrock, Adrian. 2018. “Building a simple Deep Learning REST API”. The Keras Blog. https://blog.keras.io/building-a-simple-keras-deep-learning-rest- api.html. Fecha de acceso: Mayo 2020.
[16] Brownlee, Jason. 2016. “Introduction to the Python Deep Learning Li- brary TensorFlow”. https://machinelearningmastery.com/introduction-python-deep- learning-library-tensorflow/. Fecha de acceso: Junio 2020.
[17] Tensorflow. “Documentaci´on de Tensorflow”. https://www.tensorflow.org/. Fecha de acceso: Mayo 2020.
[18] Keras. “Documentaci´on de Keras”. https://keras.io/. Fecha de acceso: Mayo 2020.
[19] Numpy. “Documentaci´on de Numpy”. https://numpy.org/. Fecha de acceso: Mayo 2020.
[20] Requests. “Documentaci´on de Requests”. https://requests.readthedocs.io/en/master/. Fecha de acceso: Mayo 2020.
[21] Python Docs. “Documentaci´on de JSON en Python”. https://docs.python.org/2/library/json.html. Fecha de acceso: Mayo 2020.
[22] Matplotlib. “Documentaci´on de Matplotlib”. https://matplotlib.org/. Fecha de ac- ceso: Mayo 2020.
[23] A. Chattopadhyay, A. Sarkar, P. Howlader, V. N. Balasubramanian. 2018. “Grad- CAM++: Improved Visual Explanations for Deep Convolutional Networks”. IEEE. https://arxiv.org/pdf/1710.11063.pdf. Fecha de acceso: Junio 2020.
[24] Repositorio de Github. “Implementaci´on de Grad-CAM en Keras”. https://github.com/totti0223/gradcamplusplus. Fecha de acceso: Mayo 2020.
[25] Rosebrock, Adrian. 2018. “A scalable Deep Learning REST API”. https://www.pyimagesearch.com/2018/01/29/scalable-keras-deep-learning-rest-api/. Fecha de acceso: Mayo 2020.
[26] Ferreiros L´opez, Javier. 2019. ”Apuntes de la asignaturaSistemas Basados en Apren- dizaje Autom´atico: Evaluaci´on de los sistemas basados en aprendizaje”. ETSIT UPM. Fecha de acceso: Junio 2020.
[27] K.T. Daba, G.W. Gessesse, S.B. Sori. 2020. “Proportion of Glaucoma among Voluntary People Coming for Glaucoma Screening Program at Jimma Univer- sity Department of Ophthalmology, Jimma, Ethiopia”. Ethiopian Journal of Health Science. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7036452/. DOI: https://dx.doi.org/10.4314/ejhs.v30i1.3. Fecha de acceso: Junio 2020.
[28] H.A. Quigley, A.T. Broman. 2006. “The number of people with glau- coma worldwide in 2010 and 2020”. National Library of Medicine. http://dx.doi.org/10.1136/bjo.2005.081224. Fecha de acceso: Junio 2020.
[29] Glassdoor. 2020. “Sueldos para ingeniero junior”. https://www.glassdoor.es/Sueldos/ingeniero-junior-sueldo-SRCH KO0,16.htm. Fecha de acceso: Junio 2020.
[30] Cesvima UPM. 2020. “Portal web de Cesvima”. https://request.cesvima.upm.es/vps/. Fecha de acceso: Junio 2020.
Anexo A
Aspectos ´eticos, econ´omicos, sociales
y ambientales
A.1
Introducci´on
El proyecto presentado ha consistido en el desarrollo de una aplicaci´on web de telemedic- ina que engloba dos escenarios. Por un lado, la evaluaci´on remota por expertos cl´ınicos basada en im´agenes de fondo de ojo y, por otro, la detecci´on autom´atica de glaucoma en dichas im´agenes utilizando t´ecnicas de Deep Learning.
El glaucoma es una enfermedad degenerativa, asintom´atica en sus primeros estadios, que se manifiesta como un conjunto de afecciones oculares que pueden da˜nar el nervio ´
optico. Si la detecci´on de glaucoma no es temprana, puede causar una p´erdida irreversible de visi´on en los pacientes, y es por ello que existen actualmente numerosas iniciativas para la detecci´on precoz de esta patolog´ıa, basadas en estrategias de screening y utilizando t´ecnicas de telemedicina. Adem´as, el uso de t´ecnicas basadas en aprendizaje profundo han supuesto una contribuci´on muy grande en los ´ultimos a˜nos para la detecci´on autom´atica de patolog´ıas en im´agenes biom´edicas.
El objetivo de este proyecto es integrar ambos escenarios en una aplicaci´on web que sirva a los especialistas m´edicos para los procesos de cribado, incluyendo un sistema de detecci´on autom´atica de glaucoma en los casos de estudio que sirva de ayuda a los m´edicos en su diagn´ostico.