Cinco patologías de la retina, "expertos" que se especializan: lo que revela un Mixture-of-Experts disperso en el fondo de ojo

Nagur Shareef Shaik y sus colegas proponen una arquitectura que no aplica el mismo cálculo a todas las imágenes del fondo de ojo: un enrutamiento "disperso" envía cada fotografía a una subred especializada — un "experto" — según la patología presente, precedido por un módulo de atención guiado por las lesiones. En un conjunto de cinco clases (ojo sano, retinopatía diabética, DMAE, membrana epirretiniana, glaucoma) evaluado con validación cruzada disjunta por paciente, el modelo alcanza un AUC macro de 0,912 y un F1 macro de 0,653 y, sobre todo, sus expertos se especializan realmente por enfermedad (p < 0,001). Es una contribución elegante a la interpretabilidad, pero la brecha entre el AUC halagador y el F1 modesto, junto con la ausencia de validación externa, recuerda que un mecanismo elegante todavía no es una herramienta de cribado.

El contexto

La fotografía del fondo de ojo es una prueba común y económica: una imagen en color de la retina, el nervio óptico y los vasos, tomada en pocos segundos. Es uno de los pocos lugares del cuerpo donde se observan directamente vasos y tejido nervioso, lo que la convierte en terreno propicio para el cribado automatizado — la retinopatía diabética es el ejemplo más maduro.

El problema: en la vida real, un mismo ojo suele acumular varias afecciones. Un paciente diabético de edad avanzada puede presentar a la vez retinopatía diabética, degeneración macular asociada a la edad (DMAE) e inicio de glaucoma. Ahora bien, la mayoría de los clasificadores de aprendizaje profundo procesan cada imagen con exactamente el mismo cálculo, sea cual sea su contenido: una única red "monolítica" que se supone lo hace todo. Esa uniformidad encaja mal con una realidad en la que los signos de una DMAE (depósitos en el centro de la mácula) nada tienen que ver con los de un glaucoma (excavación del nervio óptico) o una membrana epirretiniana (un fino velo fibroso en la superficie de la retina).

La idea del Mixture-of-Experts (mezcla de expertos, MoE) responde precisamente a esto: en lugar de una sola red, se entrenan varias — los "expertos" — y un módulo de enrutamiento decide, para cada imagen, cuáles activar. Cuando el enrutamiento es disperso (sparse), solo una pequeña fracción de expertos trabaja sobre una imagen dada: se gana capacidad y especialización sin pagar el coste de cálculo de toda la red cada vez. Esta mecánica, ya popular en los grandes modelos de lenguaje, se importa aquí al cribado retiniano — acoplada a un trabajo anterior del mismo equipo, el Guided Context Gating, un módulo de atención que aprende a centrarse en las lesiones salientes de la imagen.

El método

La arquitectura encadena dos bloques. En la entrada, el Guided Context Gating (GCG): un mecanismo de atención espacial que pondera las regiones de la imagen según su relevancia — aprende, en cierto modo, dónde mirar, destacando las zonas lesionadas en lugar del fondo uniforme de la retina. Las representaciones así filtradas se dividen en tokens (fichas de características, el equivalente de pequeños fragmentos de imagen codificados) y se pasan al bloque Mixture-of-Experts.

Allí, una red de enrutamiento (gating network) asigna cada token a un subconjunto restringido de expertos — es el cálculo condicional disperso: el camino recorrido por la red depende del contenido de la imagen. La hipótesis de los autores es que, si el entrenamiento va bien, distintos expertos deberían terminar especializándose en distintas patologías, ofreciendo una lectura interpretable de lo que "ve" el modelo.

La evaluación abarca cinco clases: ojo sano, retinopatía diabética, DMAE, membrana epirretiniana y glaucoma. Se realiza mediante validación cruzada disjunta por paciente de cinco pliegues (5-fold): los datos se dividen en cinco partes, se entrena con cuatro y se prueba con la quinta, rotando — y, sobre todo, las imágenes de un mismo paciente nunca aparecen a la vez en entrenamiento y prueba. Este detalle importa: mezclar los ojos de un mismo paciente entre entrenamiento y prueba es una forma clásica de fuga de datos (data leakage) que infla artificialmente las cifras. Aquí los autores se protegen de ello.

Se reportan dos métricas. El AUC (área bajo la curva ROC) mide la capacidad del modelo para clasificar un caso positivo por encima de uno negativo; 0,5 es el azar, 1,0 la perfección. El F1 combina precisión (de los casos señalados, cuántos son correctos) y sensibilidad o recall (de los casos reales, cuántos se recuperan). El prefijo macro significa promediar a partes iguales entre las cinco clases: una enfermedad rara pesa tanto como una frecuente, lo cual es más exigente — y más honesto — que un promedio global dominado por la clase mayoritaria.

Los resultados

El modelo alcanza un AUC macro de 0,912 (± 0,008) y un F1 macro de 0,653 (± 0,014). Las pequeñas desviaciones típicas entre pliegues indican un rendimiento estable de un reparto a otro.

El resultado central, sin embargo, no es la cifra bruta sino la especialización de los expertos: la asignación a los expertos depende significativamente de la enfermedad (p < 0,001, es decir, que tal asociación sería muy improbable por puro azar). El ojo sano y las patologías morfológicamente distintas — membrana epirretiniana, DMAE — reciben expertos dedicados. Las visualizaciones mediante Grad-CAM++ (un mapa de calor de las regiones que pesaron en la decisión) y t-SNE (una proyección en dos dimensiones de las representaciones internas) confirman que el enrutamiento se alinea con las lesiones localizadas, y que los casos en los que coexisten varias patologías se sitúan entre los grupos de sus componentes — exactamente lo que cabría esperar de un modelo que "entiende" la coocurrencia en lugar de forzarla en una única casilla.

Traducción clínica, con prudencia. Un AUC de 0,912 parece excelente, pero el F1 macro de 0,653 cuenta otra historia: promediado sobre las cinco clases, el equilibrio precisión/sensibilidad sigue siendo mediocre, lo que delata numerosos errores en al menos algunas categorías — probablemente las menos frecuentes o más sutiles, como un glaucoma incipiente. Dicho de otro modo, de 1000 imágenes cribadas, este modelo ordenaría correctamente la mayoría de los ojos sanos y los casos claros, pero dejaría pasar o clasificaría mal una proporción no despreciable de las patologías discretas. El resumen no ofrece el desglose por clase, lo que impide decir con precisión cuáles se ven afectadas — una limitación en sí misma.

Lo que está bien

Una interpretabilidad anclada en la estructura, no añadida a posteriori. Muchos trabajos agregan un mapa de saliencia al final para "explicar" una red que sigue siendo opaca. Aquí la interpretabilidad es constitutiva: el enrutamiento hacia expertos es un mecanismo interno, y su dependencia de la enfermedad se establece estadísticamente (p < 0,001). Se tiene una explicación medible, no una ilustración.

Tomarse en serio la coocurrencia. Tratar las patologías retinianas como mutuamente excluyentes es una simplificación cómoda pero falsa. Mostrar, mediante t-SNE, que los casos mixtos se sitúan entre sus componentes es una manera concreta de dar cuenta de la realidad multipatológica de un ojo, que la mayoría de los clasificadores aplasta.

Una higiene experimental correcta. La validación disjunta por paciente de cinco pliegues evita la trampa de la fuga de datos por paciente, fuente de AUC espectaculares pero ilusorios en la literatura de imagen. No es una hazaña, pero es un rigor que merece crédito porque se descuida con demasiada frecuencia.

Lo que está menos bien

Ninguna validación externa. Todo se apoya en una validación cruzada interna, sobre un único conjunto de cinco clases. No se sabe nada del rendimiento en otros dispositivos de captura, otras poblaciones, otros países. Es el sesgo de población por excelencia: un modelo calibrado sobre una única distribución se desploma con regularidad en cuanto cambian la cámara o la demografía. Sin cohorte externa, el AUC de 0,912 no dice nada sobre la generalización.

Una gran brecha entre AUC y F1, y cifras agregadas que ocultan. Ver 0,912 de AUC y alegrarse sería caer en la métrica engañosa. En una tarea multiclase desequilibrada, el AUC puede mantenerse alto mientras el F1 — más cercano al uso real — se queda mediano. Y publicar solo puntuaciones macro agregadas oculta qué patologías falla el modelo. Para un cribado, saber que se escapa el glaucoma incipiente no es un detalle: es la información decisiva, y está ausente.

Interpretable no significa correcto. Un enrutamiento que se especializa y bonitos mapas Grad-CAM++ no prueban que el modelo se apoye en la verdadera señal patológica. Los mapas de saliencia son conocidos por ser frágiles, y un experto "dedicado a la DMAE" podría igualmente captar un artefacto del conjunto de datos correlacionado con la DMAE — el shortcut learning, en el que el modelo aprende un atajo espurio en lugar de la enfermedad. La coherencia aparente entre enrutamiento y lesiones es alentadora, pero no sustituye una comprobación contra este modo de fallo. Se añade una zona de sombra sobre la reproducibilidad: el tamaño y la fuente del conjunto de datos, y la disponibilidad del código, no están establecidos en esta fase.

Lo que cambia

Para la comunidad de investigación, el artículo ilustra una dirección interesante: hacer del Mixture-of-Experts no solo una herramienta de escalado, sino un instrumento de interpretabilidad para el cribado multienfermedad. Analizar el enrutamiento como diagnóstico de lo que un modelo ha aprendido realmente es una idea reutilizable más allá de la retina. Es una aportación metodológica, no un avance clínico.

Para los clínicos, el impacto inmediato es nulo. Se trata de un prototipo validado internamente, sin cohorte externa, sin evaluación prospectiva en condiciones reales, sin estatus regulatorio. Ya existen en la práctica herramientas de cribado retiniano — en particular para la retinopatía diabética — pero este trabajo se sitúa aguas arriba, en la fase de prueba de concepto arquitectónica. Como en otros enfoques de imagen retiniana que hemos descifrado (véase nuestro análisis sobre la segmentación de las capas internas de la retina en OCT), la distancia entre una buena cifra y un uso clínico sigue siendo considerable.

Para los pacientes y el público, el interés es conceptual: se pasa de una lógica de "un modelo, una enfermedad" a sistemas que reconocen que un ojo puede acumular varios problemas a la vez — más cerca de la realidad de una consulta. Pero un resultado en un banco de pruebas no es un dispositivo desplegado, y la cuestión del sesgo de población — ¿funcionará el modelo igual de bien en todas las poblaciones y todos los dispositivos? — sigue plenamente abierta, como en buena parte de la IA de imagen (véase nuestro descifrado sobre las firmas de origen del conjunto de datos en mamografía).

Para saber más

El preprint: Nagur Shareef Shaik et al., Disentangling Co-Occurring Retinal Pathologies with Saliency-Guided Sparse Expert Routing, arXiv:2608.09752 (2026). El módulo de atención reutilizado aquí se describe en un trabajo anterior del mismo equipo, Guided Context Gating (arXiv:2406.13126). Para contexto sobre los sesgos ocultos en imagen médica, véase nuestro descifrado sobre la detección de subgrupos desfavorecidos sin metadatos.