Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/313124
Type: TESE
Degree Level: Doutorado
Title: Acurácia do diagnóstico de glaucoma com um sistema de aprendizagem de classificadores híbridos utilizando medidas do disco óptico e camada de fibras nervosas retiniana obtidas por meio de tomografia de coerência óptica de domínio espectral
Title Alternative: Glaucoma diagnostic accuracy of machine learning classifiers using retinal nerve fiber layer and optic nerve head data from spectral domain optical coherence tomography
Author: Barella, Kleyton Arlindo, 1981-
Advisor: Costa, Vital Paulino, 1965-
Abstract: Resumo: O presente estudo teve como objetivo investigar a acurácia dos classificadores de aprendizagem de máquina (MLCs) utilizando parâmetros da camada de fibras nervosas retiniana (CFNR) e do disco óptico (DO) obtidos com um tomógrafo de coerência óptica de domínio espectral (SD-OCT) para o diagnóstico de glaucoma. Cinquenta e sete pacientes com defeito de campo visual glaucomatoso leve a moderado e 46 indivíduos normais foram incluídos. Todos os 103 pacientes foram submetidos a exame oftalmológico completo, perimetria automatizada acromática (Humphrey Field Analyzer II®, Carl Zeiss Meditec Inc., Dublin, CA, EUA) e tomografia com um SD-OCT (Cirrus® SD-OCT; Carl Zeiss Meditec Inc., Dublin, CA, EUA). Obtiveram-se curvas ROC (receiver operating characteristic) para cada um dos 17 parâmetros da CFNR (espessura média, espessura nos quatro quadrantes (temporal, superior, nasal e inferior), espessura de cada uma das 12 horas de relógio) e para cada um dos os seis parâmetros do DO (área da rima, área do disco, volume da escavação, relação escavação/disco vertical, relação escavação/disco média e relação área escavação/disco). Posteriormente, foram testados os seguintes MLCs: Bagging (BAG), Naive-Bayes (NB), Support Vector Machine - Linear (SVML), Support Vector Machine - Gaussian (SVMG), Multilayer Perceptrons (MLP), Rede de Funções de Base Radial (RBF), Random Forest (RAN), Ensemble Selection (ENS), Árvore de Decisão (CTREE) e Adaptative Boosting (ADA). Compararam-se áreas sob as curvas ROC (aROCs) obtidas para cada parâmetro do SD-OCT e para cada um dos 10 MLCs. A idade média foi de 56,5 ± 8,9 anos para os indivíduos normais e 59,9 ± 9,0 anos para os pacientes glaucomatosos (p=0,054). Valores médios do "mean deviation" (MD) foram de -1,4 ± 1,6 dB para os indivíduos normais e -4,0 ± 2,4 dB para os pacientes glaucomatosos (p<0,001). Os parâmetros do SD-OCT com as maiores aROCs foram: relação área escavação/disco (0,846) e relação escavação/disco média (0,843). aROCs obtidas com os classificadores variaram de 0,687 (CTREE) a 0,877 (RAN). A aROC obtida com o classificador RAN testado com 13 parâmetros (0,877) não foi significativamente diferente da aROC obtida com o melhor parâmetro isolado do SD-OCT (0,846) (p=0,542). Os MLCs mostraram boa acurácia, mas não melhoraram significativamente a sensibilidade e especificidade do Cirrus® SD-OCT para o diagnóstico de glaucoma

Abstract: This study aimed to investigate the diagnostic accuracy of machine learning classifiers (MLCs) using retinal nerve fiber layer (RNFL) and optic nerve head (ONH) parameters obtained with spectral domain optical coherence tomography (SD-OCT) for the diagnosis of glaucoma. Fifty-seven patients with early to moderate glaucomatous visual field damage and 46 normal individuals were recruited. All 103 individuals underwent a complete ophthalmological examination, achromatic standard automated perimetry (Humphrey Field Analyzer II®, Carl Zeiss Meditec Inc., Dublin, CA, USA) and tomography with SD-OCT (Cirrus® SD-OCT; Carl Zeiss Meditec Inc., Dublin, CA, USA). Receiver operating characteristic (ROC) curves were built for each one of the 17 RNFL parameters (average thickness, four quadrants (temporal, superior, nasal and inferior), 12 clock-hour measurements) and each one of the six ONH parameters (rim area, disc area, cup volume, vertical cup/disc ratio, average cup/disc ratio and cup/disc area ratio). Subsequently, the following MLCs were tested: Bagging (BAG), Naive-Bayes (NB), Support Vector Machine ¿ Linear (SVML), Support Vector Machine - Gaussian (SVMG), Multilayer Perceptrons (MLP), Radial Basis Functions (RBF), Random Forest (RAN), Ensemble Selection (ENS), Classification Tree (CTREE) and Adaptative Boosting (ADA). Areas under ROC curves (aROCs) obtained for each SD-OCT parameter and 10 MLCs were compared. The mean age was 56,5 ± 8,9 years for normal individuals and 59,9 ± 9,0 years for glaucoma patients (p=0,054). Mean MD (mean deviation) values were -1,4 ± 1,6 dB for normal individuals and -4,0 ± 2,4 dB for glaucoma patients (p<0,001). SD-OCT parameters with the greatest aROCs were: cup/disc area ratio (0,846) and average cup/disc ratio (0,843). aROCs obtained with classifiers varied from 0,687 (CTREE) to 0,877 (RAN). The aROC obtained with RAN (0,877) tested with 13 parameters was not significantly different from the aROC obtained with the best single SD-OCT parameter (0,846) (p=0,542). MLCs showed good diagnostic accuracy but did not improve the sensitivity and specificity of Cirrus® SD-OCT for the diagnosis of glaucoma
Subject: Glaucoma
Diagnóstico
Inteligência artificial
Tomografia de coerência óptica
Editor: [s.n.]
Date Issue: 2015
Appears in Collections:FCM - Tese e Dissertação

Files in This Item:
File SizeFormat 
Barella_KleytonArlindo_D.pdf6.92 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.