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”, explicó Orlando.
La retinopatía es un problema silencioso que exige detección temprana #
Sin embargo, esos controles no siempre se concretan. 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.
Ciencia para fortalecer la teleoftalmología #
“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”, expresó 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”, señaló 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.
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.
Herramienta para asistir, no para reemplazar #
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”, explicó Orlando sobre la asistencia obtenida con la herramienta.
Del laboratorio al sistema de salud #
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, el despliegue de una red de nodos que permitió validar su funcionamiento en escenarios reales de atención. Sólo 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, con una sensibilidad del 100 por ciento para la detección de casos de riesgo en esas implementaciones iniciales.
Aplicación en el campo real #
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”, sostuvo 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”, añadió.
Del proyecto a la realidad aplicada #
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, la 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.
Cambios visibles #
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”, ilustró Iparraguirre acerca de la incorporación de la plataforma en el hospital.
En la actualidad, 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”, concluyó Orlando. Así, Retinar continúa el mismo camino con el que comenzó: utilizar el conocimiento generado en el sistema científico argentino para ofrecer respuestas concretas a problemas reales del sistema de salud.
Citas #
-
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
-
El artículo Retinar: la inteligencia artificial desarrollada por investigadores del CONICET que busca prevenir la pérdida visual en personas con diabetes fue publicado en el sitio web del CONICET, con la firma de Nazareno Lanusse
Contacto [Notaspampeanas](mailto: notaspampeanas@gmail.com)