WAMDS2: Early detection of wet AMD using Swin Transformer V2.
Age-related macular degeneration (AMD) is a progressive eye disease that primarily affects individuals over 50 years old. Among the AMD variants, wet is the most severe, as it represents the advanced stage of dry AMD and can cause severe vision loss if not detected in time. This study focuses on the...
| Publicado en: | Revista Mexicana de Ingeniería Biomédica Vol. 47; pp. 1 - 24 |
|---|---|
| Autores principales: | , , , , , , |
| Formato: | Artículo |
| Publicado: |
Sociedad Mexicana de Ingenieria Biomedica, A.C.
2026 Special Issue
|
| Materias: | |
| Acceso en línea: | Ver este registro en EBSCOhost |
| Sumario: | Age-related macular degeneration (AMD) is a progressive eye disease that primarily affects individuals over 50 years old. Among the AMD variants, wet is the most severe, as it represents the advanced stage of dry AMD and can cause severe vision loss if not detected in time. This study focuses on the development of WAMDS2, a web module designed to identify characteristics associated with Wet AMD, facilitating early and accurate detection. To achieve this, a literature review was conducted on AMD and advanced techniques in computer vision and deep learning. The proposed model integrates Swin Transformer V2, a vision transformer implemented in PyTorch, to analyze fundus images and classify the different stages of the disease. The system's performance was evaluated using metrics such as accuracy, recall, and F1-Score. An accuracy of 84.76 % was achieved on the test set, suggesting its feasibility in clinical settings. The obtained results highlight the potential of WAMDS2 in ophthalmology and computer vision, demonstrating its capability to enhance automated diagnosis and patient care. La degeneración macular asociada con la edad (DMAE) es una enfermedad ocular progresiva que afecta principalmente a personas mayores de 50 años. Entre sus variantes, la DMAE húmeda es la más grave, pues representa la evolución avanzada de la DMAE seca y puede causar una pérdida visual severa si no se detecta a tiempo. Este estudio se centra en el desarrollo de WAMDS2, un módulo web diseñado para identificar características asociadas con la DMAE húmeda, lo que facilita una detección temprana y precisa. Para ello, se llevó a cabo una revisión de literatura sobre la DMAE y técnicas avanzadas de visión por computadora y aprendizaje profundo. El modelo propuesto integra el Swin Transformer V2, un transformador de visión implementado en PyTorch, para analizar imágenes de fondo de ojo y clasificar los diferentes estadios de la enfermedad. El rendimiento del sistema se evaluó mediante métricas como precisión, sensibilidad y F1-Score, logrando una precisión del 84.76 % en el conjunto de prueba, lo que sugiere su viabilidad en entornos clínicos. Los resultados obtenidos resaltan el potencial de WAMDS2 en el ámbito de la oftalmología y la visión por computadora, evidenciando su capacidad para mejorar el diagnóstico automatizado y la atención al paciente. |
|---|