Dados do Trabalho

Título

ALGORITMO DE APRENDIZADO PROFUNDO TREINADO COM TOMOGRAFIA DE COERENCIA OPTICA PARA DETECÇAO DE GLAUCOMA

Objetivo

Criar um modelo de aprendizado profundo treinado para avaliar fotografias de disco óptico, buscando a detecção de glaucoma, a partir de resultados de tomografia de coerência óptica de domínio espectral (TCO-DE) em uma população brasileira.

Método

Utilizamos 5245 fotografias de disco óptico e 873 varreduras de TCO-DE da camada de fibras nervosas da retina (CFNR) peripapilar de 873 olhos de 584 indivíduos. A amostra foi dividida aleatoriamente em dois conjuntos, um de treinamento e validação (80%) e outro de teste (20%). A randomização foi realizada ao nível do paciente. Uma rede neural convolucional de aprendizado profundo foi treinada no conjunto de treinamento para avaliar fotografias de disco óptico e prever se o indivíduo é portador de glaucoma baseado na TCO-DE. O desempenho do algoritmo de aprendizado profundo foi avaliado na amostra de teste pela acurácia em discriminar olhos portadores de glaucoma de olhos saudáveis. Entropia cruzada foi utilizada para avaliação da função custo como forma de otimizar o modelo de classificação da rede neural.

Resultados

O conjunto de treinamento e validação foi composto por 377 olhos saudáveis, 120 suspeitos de glaucoma e 211 com glaucoma, com médias de idade de 55.5 ± 16.7, 59.0 ± 15.1, 66.1 ± 13.8 anos e médias de espessura CFNR peripapilar de 99.0 ± 10.0, 85.8 ± 7.0 e 65.7 ± 15.9 m respectivamente. O conjunto de teste foi composto de 95 olhos saudáveis, 35 suspeitos de glaucoma e 53 com glaucoma apresentando médias de idade respectivamente de 54.9 ± 14.8, 57.0 ± 16.5 e 60.9 ± 16.1 anos. As médias de espessura da CFNR peripapilar foram 100.6 ± 10.9, 87.0 ± 8.4 e 62.4 ± 14.6 m respectivamente. A mediana e intervalo interquartil da acurácia diagnóstica para glaucoma do modelo de aprendizado profundo foi 0.94 (0.73-1.0) na amostra de treinamento e 0.70 (0.68-0.73) na amostra de validação. Quando aplicado na amostra teste, o modelo de aprendizado profundo teve uma acurácia de 0.76 com uma função custo de 1.76.

Conclusões

O modelo de aprendizado profundo treinado com TCO-DE consegue detectar com razoável acurácia a presença de glaucoma em uma população brasileira, a partir de fotografias do disco óptico. Maior aperfeiçoamento do algoritmo de aprendizado profundo com teste e validação em maiores amostras pode melhorar ainda mais sua acurácia diagnóstica.

Palavras Chave

Glaucoma, Aprendizado de Máquinas, Aprendizado Profundo, Tomografia de Coerência Óptica, Retinografia, Inteligência Artificial

Área

Glaucoma