Descripción: Propósito: Desarrollar un método computacional basado en la estrategia de aprendizaje profundo ('Deep Learning') para realizar un diagnóstico etiológico automatizado de edema macular a partir la evaluación de imágenes adquiridas por tomografía de coherencia óptica, clasificándolas entre degeneración macular exudativa, edema macular diabético, y secundario a oclusiones vasculares. Justificación: Existe una tendencia progresiva y creciente de envejecimiento poblacional y en consecuencia un incremento significativo de la carga por enfermedad que representan diferentes patologías crónicas, incluyendo entre las oculares la degeneración macular relacionada con la edad, retinopatía diabética y oclusiones vasculares, que confluyen en la presentación de edema macular como la causa más importante de disminución de agudeza visual y generación de secuelas estructurales y funcionales, cuyo examen diagnóstico de elección es la tomografía de coherencia óptica (OCT). El fenómeno de envejecimiento poblacional aumenta el número de visitas médicas, controles periódicos, sesiones de tratamiento y realización de exámenes diagnósticos en cantidad muy superior al número de lectores expertos que puedan analizarlos de forma oportuna para la atención integral de los pacientes. Como estrategia integral para superar estas necesidades, surge la salud digital, y entre sus estrategias, la aplicación de la inteligencia artificial para apoyar el diagnóstico, acceso y lectura oportuna de imágenes diagnósticas, en tato permite optimizar el tiempo, los recursos y eficacia de los métodos diagnósticos, alivianando el déficit de personal disponible y la carga de trabajo para agilizar los procesos de atención de los pacientes. La diferenciación del edema macular en función de la causa resulta de vital importancia para la orientación terapéutica y reconocimiento del pronóstico visual, en asociación con hallazgos característicos de patrones de daño por compromiso estructural retiniano, siendo una evaluación exigente aún bajo la revisión de retinólogos expertos. A través de la identificación de biomarcadores específicos en imágenes de OCT, se puede realizar un diagnóstico etiológico de edema macular. Sin embargo, no se ha realizado un abordaje único y automatizado para distinguir entre las tres principales enfermedades exudativas maculares. Hasta la fecha no se dispone de un algoritmo integrado para el diagnóstico diferencial de edema macular que facilite el reconocimiento rápido y oportuno de una condición susceptible de ser tratada y exhibir mejores desenlaces conforme las intervenciones sean más tempranas. Además, los estudios previos se limitan al reconocimiento de una sola enfermedad. Métodos: Se incluyeron 1343 imágenes de OCT de mácula, obtenidas de la base de datos de pacientes atendidos en una Clínica de Oftalmología y de bases de datos de libre acceso. Las imágenes de OCT fueron marcadas y segmentadas manualmente por dos oftalmólogos expertos, etiquetando biomarcadores y clasificándolas en función de la enfermedad correspondiente o como imágenes normales. Se entrenó y validó un modelo de inteligencia artificial usando el 80% de las imágenes y se probó con el 20% de las imágenes restantes. Nuestro método se desarrolló siguiendo cuatro fases consecutivas: segmentación e identificación de biomarcadores, combinación de biomarcadores y predicción de las máscaras, extracción de características mediante aplicación de redes neuronales convolucionales para la clasificación binaria para cada enfermedad y, finalmente, método de clasificación multiclase de las tres enfermedades. Resultados: La exactitud diagnóstica lograda por el modelo para clasificar degeneración macular exudativa fue 0.965, y para edema macular diabético, secundario a oclusiones vasculares e imágenes controles, los valores fueron 0.94, 0.93 y 0.925, respectivamente. Los valores de área bajo la curva fueron 0.98, 0.99, 0.96 y 0.97, respectivamente. Los valores de sensibilidad y especificidad para la clasificación de las tres enfermedades exudativas retinianas y para imágenes normales fueron comparables con el desempeño de un oftalmólogo experto, de acuerdo con lo reportado en la literatura. Conclusión: El modelo automatizado propuesto con enfoque de Deep Learning puede identificar imágenes normales y con edema macular a partir de imágenes adquiridas por OCT de mácula, y permite clasificar su causa entre las tres principales enfermedades exudativas retinianas con alta precisión y confiabilidad.