Diagnóstico de glaucoma baseado em classificadores de aprendizagem de máquina utilizando dados do Spectral Domain-OCT e perimetria automatizada acromática
DISSERTAÇÃO
Português
T/UNICAMP Si38d
[Machine learning classifiers for glaucoma diagnosis using Spectral Domain-OCT and standard automated perimetry]
Campinas, SP : [s.n.], 2013.
185 p. : il.
Orientador: Vital Paulino Costa
Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Ciências Médicas
Resumo: Objetivo: Avaliar a sensibilidade e especificidade dos classificadores de aprendizagem de máquina no diagnóstico de glaucoma usando dados do Spectral Domain OCT (SD-OCT) e perimetria automatizada acromática (PAA). Desenho do estudo: Estudo transversal observacional. Método: Sessenta e dois...
Resumo: Objetivo: Avaliar a sensibilidade e especificidade dos classificadores de aprendizagem de máquina no diagnóstico de glaucoma usando dados do Spectral Domain OCT (SD-OCT) e perimetria automatizada acromática (PAA). Desenho do estudo: Estudo transversal observacional. Método: Sessenta e dois pacientes com glaucoma e 48 indivíduos normais foram incluídos. Todos os pacientes foram submetidos a exame oftalmológico completo, PAA (24-2 SITA; Humphrey Field Analyzer II, Carl Zeiss Meditec, Inc., Dublin, CA) e exame de imagem da camada de fibras nervosas utilizando SD-OCT (Cirrus HD-OCT; Carl Zeiss Meditec Inc., Dublin, California). Curvas ROC (Receiver Operating Characteristic) foram obtidas para todos os parâmetros do SD-OCT e índices globais da perimetria acromática (MD, PSD, GHT). Subsequentemente, os seguintes classificadores de aprendizagem de máquina (CAMs) foram testados usando parâmetros do OCT e PAA: Bagging (BAG), Naive-Bayes (NB), Multilayer Perceptron (MLP), Radial Basis Function (RBF), Random Forest (RAN), Ensemble Selection (ENS), Classification Tree (CTREE), Ada Boost M1(ADA), Support Vector Machine Linear (SVML) e Support Vector Machine Gaussian (SVMG). Áreas abaixo da curva ROC (aROC) obtidas com os parâmetros isolados do campo visual (CV) e OCT foram comparados com os CAMs usando dados combinados do OCT e CV. Resultados: A média de idade foi de 57,0 ± 9,2 anos para os indivíduos normais e 59,9 ± 9,0 anos para os pacientes glaucomatosos (p=0,103). As médias dos valores do Mean Deviation (MD) foram -4,1 ± 2,4 dB para glaucomatosos e -1,5 ± 1,6 dB para indivíduos normais (p<0,001). Os parâmetros do SD-OCT com maiores aROCs foram: quadrante inferior (aROC=0,813) e espessura média (aROC=0,807). O melhor parâmetro do CV foi PSD (aROC=0,915). Combinando os dados do OCT e do CV, aROCs dos CAMs variaram entre 0,777 (CTREE) e 0,946 (RAN). A maior aROC dos CAMs OCT+CV, obtida com RAN (0,946) foi significativamente maior que o melhor parâmetro do OCT (p=0,003), mas não houve diferença estatisticamente significante com o melhor parâmetro do CV (p=0,37). Conclusão: Os classificadores de aprendizagem de máquina treinados com dados do OCT e CV podem discriminar entre olhos normais e glaucomatosos com sucesso. A combinação das medidas do OCT e CV melhoraram a acurácia diagnóstica comparados aos parâmetros do OCT
Abstract: Purpose: To evaluate the sensitivity and specificity of machine learning classifiers (MLCs) for glaucoma diagnosis using Spectral Domain OCT (SD-OCT) and standard automated perimetry (SAP). Design: Observational cross-sectional study. Population: Sixty two glaucoma patients and 48 healthy...
Abstract: Purpose: To evaluate the sensitivity and specificity of machine learning classifiers (MLCs) for glaucoma diagnosis using Spectral Domain OCT (SD-OCT) and standard automated perimetry (SAP). Design: Observational cross-sectional study. Population: Sixty two glaucoma patients and 48 healthy individuals were included. Methods: All patients underwent a complete ophthalmologic examination, SAP and retinal nerve fiber layer (RNFL) imaging with SD-OCT (Cirrus HD-OCT; Carl Zeiss Meditec Inc., Dublin, California). Receiver operating characteristic (ROC) curves were obtained for all SD-OCT parameters and some SAP parameters (MD, PSD, GHT). Subsequently, the following MLCs were tested using parameters from SD-OCT and SAP: Bagging (BAG), Naive-Bayes (NB), Multilayer Perceptron (MLP), Radial Basis Function (RBF), Random Forest (RAN), Ensemble Selection (ENS), Classification Tree (CTREE), Ada Boost M1 (ADA), Support Vector Machine Linear (SVML) and Support Vector Machine Gaussian (SVMG). Areas under the ROC (aROC) obtained with SAP and OCT parameters were compared with those obtained with MLCs using combined OCT+SAP data. Results: The mean age was 57.0 ± 9.2 years for healthy individuals and 59.9 ± 9.0 years for glaucoma patients (p=0.103). Mean Deviation (MD) values were -4.1 ± 2.4 dB for glaucoma patients and -1.5 ± 1.6 dB for healthy individuals (p<0.001). SD-OCT parameters with the greater aROCs were inferior quadrant (0.813) and average thickness (0.807). The best SAP parameter was PSD (aROC=0.915). Combining OCT and SAP data, MLCs'aROCs varied from 0.777(CTREE) to 0.946 (RAN). The best combined OCT+SAP aROC, obtained with RAN (0.946), was significantly larger than the best single OCT parameter (p=0.003), but was not significantly different from the aROC obtained with the best single SAP parameter (p=0.37). Conclusion: Machine learning classifiers trained with OCT and SAP data can successfully discriminate between healthy and glaucomatous eyes. The combination of OCT and SAP measurements improved the diagnostic accuracy compared with OCT data alone
Diagnóstico de glaucoma baseado em classificadores de aprendizagem de máquina utilizando dados do Spectral Domain-OCT e perimetria automatizada acromática
Diagnóstico de glaucoma baseado em classificadores de aprendizagem de máquina utilizando dados do Spectral Domain-OCT e perimetria automatizada acromática
Exemplares
Nº de exemplares: 1
Não existem reservas para esta obra