Introducción: La toxoplasmosis afecta frecuentemente la cámara posterior del ojo y puede producir pérdida de la visión. Objetivo: Describir la frecuencia y características clínicas de la Toxoplasmosis ocular en un consultorio de oftalmología pediátrica. Materiales y Métodos: Estudio observacional, descriptivo retrospectivo Se analizaron las historias clínicas de pacientes de 0 a 18 años de edad, con toxoplasmosis ocular, atendidos en el consultorio de oftalmología pediátrica, desde enero 2011 a mayo de 2014. Variables: edad, sexo, forma de toxoplasmosis, tipo de lesión ocular, localización de la lesión, compromiso unilateral o bilateral, y complicaciones oculares. Los datos se analizaron con SPSSv21 utilizando estadísticas descriptivas e inferenciales. No fue necesario el consentimiento informado porque se trata de un estudio retrospectivo. Resultados: Ingresaron 72 pacientes. La mediana de edad 48 meses, fueron neonatos el 6,9%.  El 52,8% eran sexo femenino. El 80,5% presentaron toxoplasmosis adquirida y el 19, 4% congénita. Todos los pacientes tenían coriorretinitis. Y en el 7% se acompañaron de uveítis. La afectación fue bilateral en 52.8%. Las lesiones eran inactivas en 87,5 con localización central. Presentaron complicaciones en el 58,3% de los pacientes:   estrabismo en 76% y en 24 % desprendimiento de retina. Conclusión: La frecuencia de TO fue del 0,8%. La mayoría de los pacientes tenían más de 2 años de edad y el 19% tenía toxoplasmosis congénita. Todos tuvieron corioretinitis, con compromiso bilateral y localización central más frecuentemente. Hubo predominio de lesiones inactivas tanto en la toxoplasmosis congénita como en la adquirida. Las complicaciones fueron   estrabismo y desprendimiento de retina.   Correspondencia: Mirta Mesquita Correo: mirtanmr@gmail.com Conflicto de interés: Los autores declaran no poseer conflicto de interés Recibido: 21/10/2018; Aceptado: 28/12/2018

Ocular toxoplasmosis (OT) is commonly diagnosed through the analysis of fundus images of the eye by a specialist. Despite Deep Learning being widely used to process and recognize pathologies in medical images, the diagnosis of ocular toxoplasmosis(OT) has not yet received much attention. A predictive computational model is a valuable time-saving option if used as a support tool for the diagnosis of OT. It could also help diagnose atypical cases, being particularly useful for ophthalmologists who have less experience. In this work, we propose the use of a deep learning model to perform automatic diagnosis of ocular toxoplasmosis from images of the eye fundus. A pretrained residual neural network is fine-tuned on a dataset of samples collected at the medical center of Hospital de Clínicas in Asunción, Paraguay. With sensitivity and specificity rates equal to 94% and 93%,respectively, the results show that the proposed model is highly promising. In order to replicate the results and advance further in this area of research, an open data set of images of the eye fundus labeled by ophthalmologists is made available.

In the automatic diagnosis of ocular toxoplasmosis (OT), Deep Learning (DL) has arisen as a powerful and promising approach for diagnosis. However, despite the good performance of the models, decision rules should be interpretable to elicit trust from the medical community. Therefore, the development of an evaluation methodology to assess DL models based on interpretability methods is a challenging task that is necessary to extend the use of AI among clinicians. In this work, we propose a novel methodology to quantify the similarity between the decision rules used by a DL model and an ophthalmologist, based on the assumption that doctors are more likely to trust a prediction that was based on decision rules they can understand. Given an eye fundus image with OT, the proposed methodology compares the segmentation mask of OT lesions labeled by an ophthalmologist with the attribution matrix produced by interpretability methods. Furthermore, an open dataset that includes the eye fundus images and the segmentation masks is shared with the community. The proposal was tested on three different DL architectures. The results suggest that complex models tend to perform worse in terms of likelihood to be trusted while achieving better results in sensitivity and specificity.