Imagen de una retina procesadas a través de Retinar. Foto: gentileza investigador.
Retinar la inteligencia artificial desarrollada por investigadores del CONICET que busca prevenir la pérdida visual en personas con diabetes
Se trata de una plataforma argentina de teleoftalmología para fortalecer la detección temprana de la retinopatía diabética.
Detrás de esta herramienta hay más de una década de investigación en análisis de imágenes médicas, articulación con equipos de salud y un proceso de transferencia tecnológica que hoy contribuye a ampliar el acceso al control oftalmológico.
La retinopatía diabética es la principal causa de pérdida visual prevenible e irreversible en personas adultas en edad productiva, y, a nivel mundial, afecta aproximadamente al 25 por ciento de las personas con diabetes.
Aunque puede avanzar durante años sin generar síntomas, un diagnóstico oportuno permite iniciar tratamientos capaces de evitar gran parte de las complicaciones.
Frente a ese desafío sanitario, un grupo de investigadores del CONICET y de la Universidad Nacional del Centro de la Provincia de Buenos Aires (UNCPBA) comenzó hace más de una década un camino de investigación que dio lugar a Retinar, una plataforma argentina de teleoftalmología que utiliza inteligencia artificial para ampliar el acceso al control oftalmológico y optimizar el trabajo de los equipos de salud.
El desarrollo nació en el Instituto de Investigación en Plasmas Densos y sus Aplicaciones (PLADEMA), de la Facultad de Ciencias Exactas de la UNCPBA, liderado por el investigador del CONICET José Ignacio Orlando.
El equipo científico está integrado además por el investigador del CONICET Ignacio Larrabide y los becarios doctorales del organismo Lucas Telesco y Franco Arellano, quienes desarrollan distintas líneas de investigación en inteligencia artificial aplicada al análisis de imágenes médicas.
En articulación con el Servicio de Oftalmología del Hospital de Alta Complejidad en Red El Cruce, a cargo de la oftalmóloga Mercedes Leguía, el proyecto busca responder a una necesidad concreta del sistema sanitario argentino: facilitar la detección temprana de personas con riesgo de desarrollar complicaciones visuales asociadas a la diabetes y fortalecer los programas de teleoftalmología en hospitales y centros de salud.
“Desde el comienzo entendimos que un buen algoritmo era clave, pero que debía ser el punto de partida para ofrecer al final del camino una herramienta integrable al funcionamiento real del sistema sanitario argentino, que permitiera aprovechar la diversidad de hospitales, equipos y formas de trabajo que existen en el país”, explica Orlando.
Un problema silencioso que exige detección temprana
La retinopatía diabética es una complicación producida por el daño que los niveles elevados de glucosa generan sobre los vasos sanguíneos de la retina.
En sus primeras etapas puede evolucionar sin afectar la visión, por lo que muchas personas desconocen que presentan lesiones hasta que el deterioro visual ya resulta irreversible.
Por este motivo, las guías clínicas recomiendan controles oftalmológicos periódicos para todas las personas con diabetes.
Sin embargo, esos controles no siempre se realizan.
La concentración de especialistas en grandes centros urbanos, las dificultades para acceder a turnos, las distancias geográficas y la limitada capacidad de algunos servicios de salud reducen la cobertura del tamizaje.
Frente a ese escenario, Orlando destaca que “la teleoftalmología basada en retinografías no midriáticas surgió internacionalmente como una estrategia para acercar el estudio a los pacientes: como son imágenes no invasivas que pueden ser capturadas por personal capacitado, no necesariamente oftalmólogos, te permite llevar el control a centros de atención primaria u hospitales generales, haciendo las fotos y enviándolas después a especialistas para que las evalúen remotamente”.
José Ignacio Orlando Orlando, durante una jornada de trabajo con el retinógrafo. Foto: gentileza investigador.
Ciencia para fortalecer la teleoftalmología
Ese modelo, sin embargo, también presenta desafíos.
A medida que aumenta la cantidad de centros que capturan imágenes, crece el volumen de estudios que deben analizar los oftalmólogos, generando un cuello de botella que impide que las redes escalen y den una respuesta programática.
Además, una fotografía desenfocada o de baja calidad puede obligar a tener que repetir el estudio cuando el paciente ya abandonó el centro de salud.
“Cuando empezamos a trabajar con los equipos de salud entendimos que, además de generar un modelo capaz de tamizar los casos de riesgo, íbamos a necesitar controlar la calidad de las imágenes”, recuerda el investigador.
“Sin controlar la calidad, en muchos casos pueden ocurrir fallas posteriores que pueden poner en riesgo la seguridad del paciente, o hacer más ineficiente el proceso de tamizaje.
Después sí, por supuesto, el reconocimiento automático de la patología es clave para priorizar informes”.
Para lograrlo, el equipo desarrolló modelos de inteligencia artificial capaces de verificar automáticamente la calidad de las retinografías, identificar estudios con signos compatibles con una retinopatía diabética que requiere derivación y asistir a los profesionales en la organización de los controles, manteniendo siempre la decisión clínica en manos del especialista.
El entrenamiento de esos modelos implicó utilizar decenas de miles de imágenes de fondo de ojo previamente evaluadas por oftalmólogos, provenientes de distintas bases de datos tanto públicas como locales, y obtenidas con cámaras, condiciones de iluminación y poblaciones diferentes.
Además, el equipo desarrolló estrategias de preprocesamiento para uniformar las imágenes y reducir las diferencias que podían afectar el rendimiento de los algoritmos.
“No queríamos construir un modelo que funcionara solamente con un retinógrafo específico. Necesitábamos que aprendiera a reconocer la enfermedad incluso cuando las imágenes provenían de hospitales con equipos y condiciones de captura muy distintas.
Ese desafío, que se conoce como generalización de dominio, es el que hoy exploramos con más interés en nuestro laboratorio”, explica Orlando.
Más de una década de investigación antes de convertirse en plataforma
Aunque Retinar comenzó a tomar forma como proyecto entre 2019 y 2020, sus bases científicas se remontan varios años atrás.
Durante su doctorado y posteriormente en colaboraciones internacionales realizadas en Francia y Bélgica y su postdoctorado en Austria, Orlando investigó distintos problemas vinculados con el análisis automático de imágenes de retina, incluyendo la detección de lesiones de la retinopatía diabética, la segmentación de vasos sanguíneos, el reconocimiento del glaucoma y el desarrollo de algoritmos capaces de funcionar sobre imágenes obtenidas en distintos contextos clínicos.
“Retinar es el resultado de muchos años trabajando sobre distintos problemas del análisis de imágenes de la retina.
Cada publicación, cada colaboración internacional y cada nuevo algoritmo fueron aportando conocimientos que después pudimos integrar en una herramienta pensada para responder a una necesidad concreta del sistema de salud argentino”, señala el investigador.
Ese recorrido permitió construir conocimiento, formar recursos humanos, desarrollar nuevas metodologías y publicar resultados en revistas y congresos internacionales.
Buena parte de esos avances científicos fueron luego integrados en Retinar, que continúa creciendo con cada nuevo desarrollo del laboratorio.
Retinar es una plataforma de teleoftalmología para fortalecer la detección temprana de la retinopatía diabética. Foto: gentileza investigador.
Una herramienta para asistir, no para reemplazar
Actualmente, Retinar permite que personal de salud capacitado capture retinografías en hospitales, centros de atención primaria o campañas sanitarias.
Antes de que las imágenes sean enviadas al centro de lectura, la plataforma analiza automáticamente su calidad con el algoritmo desarrollado por el equipo, incluyendo mecanismos de explicabilidad que guían al técnico a reconocer qué mejoras necesita la imagen.
Luego clasifica los estudios según el riesgo de presentar retinopatía diabética referible (que necesita de manera urgente algún tipo de tratamiento), lo que permite priorizar aquellos casos que requieren una evaluación más rápida por parte del oftalmólogo.
La decisión clínica, sin embargo, continúa siempre en manos del especialista.
Los oftalmólogos revisan las imágenes priorizadas, confirman o descartan los hallazgos y elaboran el informe correspondiente.
Este esquema, conocido como human-in-the-loop, combina la capacidad de procesamiento de la inteligencia artificial con la experiencia profesional de los equipos médicos, automatizando tareas repetitivas sin reemplazar la responsabilidad clínica.
“La inteligencia artificial nos permite organizar el trabajo de otra manera: automatiza tareas repetitivas, ayuda a priorizar los casos de mayor riesgo y mejora la eficiencia del sistema, pero la responsabilidad clínica continúa siempre en manos del profesional”, señala Orlando sobre la asistencia que efectúa la herramienta.
Del laboratorio al sistema de salud
El crecimiento de Retinar fue acompañado por distintos programas de financiamiento orientados tanto a la investigación como a la innovación tecnológica.
Sin embargo, su verdadero desafío comenzó cuando la plataforma empezó a implementarse en hospitales y centros de salud, donde el conocimiento generado en el laboratorio debía responder a necesidades concretas de la práctica clínica.
Hoy la plataforma forma parte de la atención en el Hospital de Enfermedades Crónicas No Transmisibles Julieta Lanteri de Tandil, el Hospital de Alta Complejidad en Red El Cruce, en Florencio Varela, y el Hospital José Irurzun de Necochea, consolidando una red de nodos que permitió validar su funcionamiento en escenarios reales de atención.
Solo en Tandil ya fueron evaluados 269 pacientes, de los cuales el 25,7 por ciento presentó signos compatibles con retinopatía diabética referible, es decir, con riesgo de desarrollar complicaciones visuales que requerían una evaluación oftalmológica prioritaria.
En los otros dos nodos, Retinar acompañó la evaluación de 77 pacientes en el Hospital El Cruce y 46 en el Hospital Irurzun, manteniendo una sensibilidad del 100 por ciento para la detección de casos de riesgo en esas implementaciones iniciales.
En el Hospital Julieta Lanteri, uno de los primeros efectores en incorporar la herramienta, el impacto fue inmediato.
“Retinar nos permitió recuperar el gold standard en el abordaje de una patología prevalente como la diabetes”, sostiene Martina Iparraguirre, directora de la institución.
“Las guías de práctica clínica indican que todas las personas con diabetes deben realizar un control de salud visual, pero las dificultades de acceso habían generado una brecha entre lo deseable y lo posible. Retinar nos permitió volver a garantizar ese estándar de atención”, explica.
La implementación también produjo cambios en la organización del sistema de salud.
Al aumentar la cantidad de pacientes evaluados, el hospital fortaleció su red de derivación hacia los servicios de mayor complejidad y comenzó a generar nuevas líneas de investigación clínica a partir de los datos obtenidos durante las evaluaciones.
“Cuando recuperás un estándar de calidad que pensabas perdido, inevitablemente vas por más. Empezamos a preguntarnos qué otras investigaciones podíamos desarrollar a partir de nuestra práctica cotidiana.
Retinar tuvo un efecto de espiral positivo en todo el equipo”, detalla Iparraguirre acerca de la incorporación de la plataforma en el hospital.
Investigación, transferencia e impacto
En 2025, ese recorrido culminó en la constitución de Retinar S.A.S., una empresa de base tecnológica y spin-off de la UNCPBA, creada por investigadores del CONICET junto con especialistas clínicos. Lejos de representar un punto final, esta nueva etapa busca brindar sostenibilidad al desarrollo, facilitar su implementación en instituciones de salud y convertir los desafíos que surgen durante el uso cotidiano de la plataforma en nuevas preguntas de investigación.
Actualmente, el equipo trabaja en nuevas líneas científicas vinculadas con modelos de inteligencia artificial capaces de asistir la elaboración de informes oftalmológicos, incorporar nuevas enfermedades y ampliar las capacidades diagnósticas de la plataforma.
“Retinar nació para resolver un problema muy específico, pero el trabajo recién empieza. Cada implementación nos permite identificar nuevas necesidades y eso se transforma en nuevas preguntas científicas.
Nuestro objetivo es seguir desarrollando herramientas que fortalezcan el sistema de salud y amplíen el acceso a diagnósticos oportunos”, concluye Orlando.
Así, Retinar continúa el mismo camino con el que comenzó, el de utilizar el conocimiento generado en el sistema científico argentino para ofrecer respuestas concretas a problemas reales del sistema de salud.
Referencias bibliográficas:
Castilla, Tomás; Martínez, Marcela S.; Leguía, Mercedes; Larrabide, Ignacio; Orlando, José Ignacio. A ResNet is All You Need? Modeling a Strong Baseline for Detecting Referable Diabetic Retinopathy in Fundus Images. 18th International Symposium on Medical Information Processing and Analysis (SIPAIM 2022); Proceedings of SPIE 12567, 125670P, 2023. Aporte: Clasificador de RD referible, entrenamiento multidataset, evaluación sobre 61.007 imágenes públicas y 480 imágenes clínicas internas. https://doi.org/10.48550/arXiv.2210.03180
Moris, Eugenia; Dazeo, Nicolás; de Rueda, María Paula Albina; Filizzola, Francisco; Iannuzzo, Nicolás; Nejamkin, Danila; Wignall, Kevin; Leguía, Mercedes; Larrabide, Ignacio; Orlando, José Ignacio. Assessing Coarse-to-Fine Deep Learning Models for Optic Disc and Cup Segmentation in Fundus Images. SIPAIM 2022; Proceedings of SPIE 12567, 125670R, 2023. Aporte: Segmentación de disco/copa, análisis de arquitecturas y estimación de relación copa/disco. https://doi.org/10.48550/arXiv.2209.14383
Moris, Eugenia; Larrabide, Ignacio; Orlando, José Ignacio. Semi-supervised learning with Noisy Students improves domain generalization in optic disc and cup segmentation in uncropped fundus images. Proceedings of Machine Learning Research, vol. 250, pp. 1056-1072, MIDL 2024. Aporte: Generalización de dominio con 18.000 imágenes pseudoetiquetadas y evaluación en ocho bases públicas. https://proceedings.mlr.press/v250/moris24a.html
Telesco, Lucas G.; Nejamkin, Danila; Mata, Estefanía; Filizzola, Francisco; Wignall, Kevin; Franco Troilo, Lucía; Cenoz, María de los Ángeles; Thompson, Melissa; Leguía, Mercedes; Larrabide, Ignacio; Orlando, José Ignacio. Semi-supervised multi-task learning for interpretable quality assessment of fundus images. Biomedical Signal Processing and Control, vol. 113, Part D, 109167, 2026. Aporte: Evaluación de calidad interpretable, pseudoetiquetas y predicción de iluminación, claridad y contraste. https://doi.org/10.1016/j.bspc.2025.109167
Arellano, Franco Javier; Orlando, José Ignacio. Evaluating Fundus-Specific Foundation Models for Diabetic Macular Edema Detection. 21st International Symposium on Medical Information Processing and Analysis (SIPAIM 2025). Aporte: Comparación de RETFound, FLAIR y EfficientNet-B0 para edema macular diabético. https://doi.org/10.48550/arXiv.2510.07277
Por Nazareno Lanusse – Área de Comunicación CCT CONICET Tandil
CONICET
