.jpg)
El glaucoma representa una de les causes principals de ceguesa irreversible a nivell global, i el seu diagnòstic primerenc continua sent un repte clínic. Els sistemes automatitzats basats en intel·ligència artificial han demostrat un alt rendiment, però sovint operen com a caixes negres que no ofereixen transparència als especialistes. En aquest context, GlaKG emergeix com un graf de coneixement centrat en biomarcadors que integra troballes estructurals, regles clínicament validades i característiques d'imatges de fons d'ull, permetent un raonament traçable per a la classificació i estratificació del risc de glaucoma. Cada predicció va acompanyada d'una cadena explícita d'evidències que vincula els biomarcadors amb les regles activades, cosa que facilita l'auditoria clínica i la confiança en el sistema.
L'arquitectura de GlaKG combina un model ResNet50 per extreure representacions de les imatges amb un mòdul de raonament basat en regles, tot orquestrat mitjançant un marc de fusió posterior al processament que evita la fuita d'informació. Els resultats sobre un conjunt de dades públiques etiquetades mitjançant intel·ligència artificial assoleixen un F1 de 0,9953 en classificació binària i una precisió del 93% en estratificació de quatre nivells de risc. No obstant això, els autors adverteixen que aquestes mètriques representen un límit superior en estar molt correlacionades amb les anotacions de biomarcadors, cosa que subratlla la importància de disposar de dades netes i ben estructurades.
Aquest enfocament resulta especialment rellevant per al desenvolupament d'aplicacions a mida en l'àmbit sanitari, on l'explicabilitat no és un luxe sinó un requisit normatiu i ètic. Empreses com Q2BSTUDIO, especialitzades en intel·ligència artificial per a empreses, ofereixen capacitats per dissenyar i implementar grafs de coneixement similars, integrant serveis cloud AWS i Azure per escalar el processament d'imatges i garantir la ciberseguretat de les dades clíniques. A més, la combinació d'agents IA amb sistemes de raonament basats en regles permet generar informes auditables que faciliten la presa de decisions.
Més enllà de l'àmbit mèdic, els principis de GlaGK poden aplicar-se a altres sectors on la transparència dels models predictius sigui crítica, com la detecció de fraus financers o el manteniment predictiu industrial. Les eines d'intel·ligència de negoci, com Power BI, poden consumir els resultats d'aquests grafs per visualitzar les cadenes de raonament i oferir dashboards interactius als equips d'anàlisi. En definitiva, la combinació de programari a mida amb tècniques d'intel·ligència artificial explicable obre noves vies per construir sistemes robustos, fiables i alineats amb els estàndards regulatoris.
