O uso da inteligência artificial no diagnóstico do glaucoma e na estimativa da idade a partir da camada de fibras nervosas peripapilares da tomografia decoerência óptica : Artificial intelligence for glaucoma diagnosis and age estimation using peripapillary nerve fiber layer from optical coherence tomography

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: Shigueoka, Leonardo Seidi, 1986-
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: [s.n.]
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Glaucoma
Fibras nervosas
Tomografia de coerência óptica
Aprendizado de máquina
Aprendizado profundo
Nerve fibers
Optical coherence tomography
Machine learning
Deep learning
Link de acesso: https://hdl.handle.net/20.500.12733/1641861
Resumo: Orientador: Vital Paulino Costa
id UNICAMP-30_f894a4b2c25f483c5d9f4add72aa3d8d
oai_identifier_str oai::1166189
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling O uso da inteligência artificial no diagnóstico do glaucoma e na estimativa da idade a partir da camada de fibras nervosas peripapilares da tomografia decoerência óptica : Artificial intelligence for glaucoma diagnosis and age estimation using peripapillary nerve fiber layer from optical coherence tomographyArtificial intelligence for glaucoma diagnosis and age estimation using peripapillary nerve fiber layer from optical coherence tomographyGlaucomaFibras nervosasTomografia de coerência ópticaAprendizado de máquinaAprendizado profundoGlaucomaNerve fibersOptical coherence tomographyMachine learningDeep learningOrientador: Vital Paulino CostaTese (doutorado) - Universidade Estadual de Campinas, Faculdade de Ciências MédicasResumo: Objetivos: 1) Testar a habilidade dos classificadores de aprendizado de máquina (MLCs, do inglês machine learning classifiers) usando a tomografia de coerência óptica de domínio espectral (SD-OCT, do inglês spectral domain optical coherence tomography) e os parâmetros padrão de perimetria automatizada (PAA) para discriminar entre indivíduos saudáveis e glaucomatosos, e compará-la com as habilidades diagnósticas do índice de estrutura e função combinados (CSFI, do inglês combined structure and function index), de oftalmologistas gerais e de especialistas em glaucoma.; 2) Avaliar se a idade pode ser prevista a partir da análise de aprendizado profundo dos B-scans da SD-OCT peripapilar e determinar a importância de áreas específicas da retina nas previsões. Métodos: Realizamos dois estudos observacionais com algoritmos de aprendizado de máquina; 1) No primeiro estudo, cinquenta e oito olhos de 58 pacientes com glaucoma precoce a moderado (valor mediano do desvio médio = -3,4 dB; intervalo interquartil, -6,0 a -2,4 dB) e 66 olhos de 66 indivíduos saudáveis foram submetidos a testes de SD-OCT e PAA. A precisão do diagnóstico (área sob a curva Receiver Operating Characteristic - AROC) do melhor classificador dentre os 10 MLCs foi comparada àquelas obtidas com o CSFI, 3 oftalmologistas gerais e 3 especialistas em glaucoma expostos aos mesmos dados de SD-OCT e PAA; 2) Redes neurais convolucionais de aprendizado profundo (AP) foram desenvolvidas para predizer a idade cronológica em indivíduos saudáveis, utilizando imagens de B-scan peripapilar do SD-OCT. Os modelos foram construídos usando todo o B-scan, além de regiões específicas através da ablação da imagem. A validação cruzada foi usada para o treinamento e teste do modelo. O erro absoluto médio (MAE, do inglês mean absolute error) e as correlações entre a idade prevista e observada foram utilizados para avaliar o desempenho do modelo. ?Resultados: 1) As AROCs obtidas com MLCs variaram de 0,805 (árvore de decisão - CTREE, do inglês conditional inference tree ) a 0,931 (rede de funções da base radial – RBF, do inglês radial basis function). As sensibilidades com especificidade fixa em 90% variaram de 51,6% (árvore de decisão) a 82,8% (Bagging, Rede Neural Multicamadas e Máquina de Vetor de Suporte Gaussiana). O CSFI apresentou sensibilidade de 79,3% com especificidade de 90% e AROC de 0,948. A classificação geral dos oftalmologistas e especialistas em glaucoma apresentou sensibilidades de 66,2% e 83,8% com especificidade fixa em 90% e AROCs de 0,879 e 0,921, respectivamente. O algoritmo RBF (o melhor MLC), o CSFI e os especialistas em glaucoma apresentaram AROCs significativamente maiores do que as obtidas por oftalmologistas gerais (P < 0,05). No entanto, não houve diferenças estatisticamente significativas entre as AROCs obtidas pelo algoritmo RBF, CSFI e especialistas glaucoma (P > 0,25); 2) Foram incluídas 7.271 imagens de 542 olhos de 278 indivíduos saudáveis. As previsões do AP para a idade usando o B-scan inteiro foram fortemente correlacionadas com a idade cronológica (MAE = 5,82 anos; r = 0,860, P <0,001). O modelo também discriminou com precisão entre os tercis mais baixos e os mais altos da idade, com uma AROC de 0,962. Em geral, os mapas de ativação de classe tenderam a mostrar um padrão difuso de ativação em toda a imagem digitalizada. Para estruturas específicas do B-scan, a camada com maior correlação com a idade cronológica foi a coróide (r = 0,792), enquanto a camada de fibras nervosas da retina apresentou a menor correlação (r = 0,515). Conclusões: 1) Nossos achados sugerem que os MLCs e o CSFI podem ser úteis na prática clínica e podem melhorar efetivamente o diagnóstico de glaucoma no cenário de atendimento oftalmológico primário, quando não há disponível um especialista em glaucoma; 2) Um algoritmo de AP foi capaz de prever com precisão a idade a partir dos exames de B-scan peripapilares de SD-OCT. Os modelos de AP aplicados aos B-scans de SD-OCT sugerem que o envelhecimento parece afetar várias camadas no segmento posterior do olhoAbstract: Objectives: 1) To test the ability of machine learning classifiers (MLCs) using spectral domain optical coherence tomography (SD-OCT) and standard automated perimetry (SAP) parameters to discriminate between healthy and glaucomatous individuals, and to compare it to the diagnostic ability of the combined structure-function index (CSFI), general ophthalmologists and glaucoma specialists; 2) To assess whether age can be predicted from deep learning analysis of peripapillary SD-OCT B-scans and to determine the importance of specific retinal areas on the predictions. Methods: We conducted two observational studies with machine learning algorithms; 1) In the first study, fifty eight eyes of 58 patients with early to moderate glaucoma (median value of the mean deviation = ?3.4 dB; interquartile range, -6.0 to -2.4 dB) and 66 eyes of 66 healthy individuals underwent OCT and SAP tests. The diagnostic accuracy (area under the ROC curve—AUC) of 10 MLCs was compared to those obtained with the CSFI, 3 general ophthalmologists and 3 glaucoma specialists exposed to the same SD-OCT and SAP data; 2) Deep learning (DL) convolutional neural networks were developed to predict chronological age in healthy subjects using peripapillary SD-OCT B-scan images. Models were built using the whole B-scan, as well as using specific regions through image ablation. Cross-validation was used for training and testing the model. Mean absolute error (MAE) and correlations between predicted and observed age were used to evaluate model performance. Results: 1) The AUCs obtained with MLCs ranged from 0.805 (Classification Tree) to 0.931 (Radial Basis Function Network, RBF). The sensitivities at 90% specificity ranged from 51.6% (Classification Tree) to 82.8% (Bagging, Multilayer Perceptron and Support Vector Machine Gaussian). The CSFI had a sensitivity of 79.3% at 90% specificity, and the an AUC of 0.948. General ophthalmologists and glaucoma specialists’ gradings had sensitivities of 66.2% and 83.8% at 90% specificity, and AUCs of 0.879 and 0.921, respectively. RBF (the best MLC), the CSFI, and glaucoma specialists showed significantly higher AUCs than that obtained by general ophthalmologists (P<0.05). However, there were no statistically significant differences between the AUCs obtained by RBF, the CSFI, and glaucoma specialists (P>0.25); 2) A total of 7,271 images from 542 eyes of 278 healthy subjects were included. DL predictions of age using the whole B-scan were strongly correlated with chronological age (MAE=5.82 years; r=0.860, P<0.001). The model also accurately discriminated between the lowest and highest tertiles of age, with an area under the receiver operating characteristic curve of 0.962. In general, class activation maps tended to show a diffuse pattern of activation throughout the scan image. For specific structures of the B-scan, the layers with the strongest correlations with chronological age were the choroid and vitreous (both r=0.736), whereas retinal nerve fiber layer had the lowest correlation (r=0.492). Conclusions: 1) Our findings suggest that both MLCs and the CSFI can be helpful in clinical practice and effectively improve glaucoma diagnosis in the primary eye care setting, when there is no glaucoma specialist available; 2) A DL algorithm was able to accurately predict age from whole peripapillary SD-OCT B-scans. DL models applied to SD-OCT scans suggest that aging appears to affect several layers in the posterior segment of the eyeDoutoradoOftalmologiaDoutor em CiênciasCAPES88887.467190/2019-00[s.n.]Costa, Vital Paulino, 1965-Alves, MônicaArieta, Carlos Eduardo LeiteDiniz Filho, AlbertoPaula, Jayter Silva deUniversidade Estadual de Campinas (UNICAMP). Faculdade de Ciências MédicasPrograma de Pós-Graduação em Ciências MédicasUNIVERSIDADE ESTADUAL DE CAMPINASShigueoka, Leonardo Seidi, 1986-20212021-04-26T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf1 recurso online (156 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1641861SHIGUEOKA, Leonardo Seidi. O uso da inteligência artificial no diagnóstico do glaucoma e na estimativa da idade a partir da camada de fibras nervosas peripapilares da tomografia decoerência óptica: Artificial intelligence for glaucoma diagnosis and age estimation using peripapillary nerve fiber layer from optical coherence tomography. 2021. 1 recurso online (156 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Ciências Médicas, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1641861. Acesso em: 28 fev. 2025.https://repositorio.unicamp.br/acervo/detalhe/1166189Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2021-09-22T15:28:10Zoai::1166189Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2021-09-22T15:28:10Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv O uso da inteligência artificial no diagnóstico do glaucoma e na estimativa da idade a partir da camada de fibras nervosas peripapilares da tomografia decoerência óptica : Artificial intelligence for glaucoma diagnosis and age estimation using peripapillary nerve fiber layer from optical coherence tomography
Artificial intelligence for glaucoma diagnosis and age estimation using peripapillary nerve fiber layer from optical coherence tomography
title O uso da inteligência artificial no diagnóstico do glaucoma e na estimativa da idade a partir da camada de fibras nervosas peripapilares da tomografia decoerência óptica : Artificial intelligence for glaucoma diagnosis and age estimation using peripapillary nerve fiber layer from optical coherence tomography
spellingShingle O uso da inteligência artificial no diagnóstico do glaucoma e na estimativa da idade a partir da camada de fibras nervosas peripapilares da tomografia decoerência óptica : Artificial intelligence for glaucoma diagnosis and age estimation using peripapillary nerve fiber layer from optical coherence tomography
Shigueoka, Leonardo Seidi, 1986-
Glaucoma
Fibras nervosas
Tomografia de coerência óptica
Aprendizado de máquina
Aprendizado profundo
Glaucoma
Nerve fibers
Optical coherence tomography
Machine learning
Deep learning
title_short O uso da inteligência artificial no diagnóstico do glaucoma e na estimativa da idade a partir da camada de fibras nervosas peripapilares da tomografia decoerência óptica : Artificial intelligence for glaucoma diagnosis and age estimation using peripapillary nerve fiber layer from optical coherence tomography
title_full O uso da inteligência artificial no diagnóstico do glaucoma e na estimativa da idade a partir da camada de fibras nervosas peripapilares da tomografia decoerência óptica : Artificial intelligence for glaucoma diagnosis and age estimation using peripapillary nerve fiber layer from optical coherence tomography
title_fullStr O uso da inteligência artificial no diagnóstico do glaucoma e na estimativa da idade a partir da camada de fibras nervosas peripapilares da tomografia decoerência óptica : Artificial intelligence for glaucoma diagnosis and age estimation using peripapillary nerve fiber layer from optical coherence tomography
title_full_unstemmed O uso da inteligência artificial no diagnóstico do glaucoma e na estimativa da idade a partir da camada de fibras nervosas peripapilares da tomografia decoerência óptica : Artificial intelligence for glaucoma diagnosis and age estimation using peripapillary nerve fiber layer from optical coherence tomography
title_sort O uso da inteligência artificial no diagnóstico do glaucoma e na estimativa da idade a partir da camada de fibras nervosas peripapilares da tomografia decoerência óptica : Artificial intelligence for glaucoma diagnosis and age estimation using peripapillary nerve fiber layer from optical coherence tomography
author Shigueoka, Leonardo Seidi, 1986-
author_facet Shigueoka, Leonardo Seidi, 1986-
author_role author
dc.contributor.none.fl_str_mv Costa, Vital Paulino, 1965-
Alves, Mônica
Arieta, Carlos Eduardo Leite
Diniz Filho, Alberto
Paula, Jayter Silva de
Universidade Estadual de Campinas (UNICAMP). Faculdade de Ciências Médicas
Programa de Pós-Graduação em Ciências Médicas
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Shigueoka, Leonardo Seidi, 1986-
dc.subject.por.fl_str_mv Glaucoma
Fibras nervosas
Tomografia de coerência óptica
Aprendizado de máquina
Aprendizado profundo
Glaucoma
Nerve fibers
Optical coherence tomography
Machine learning
Deep learning
topic Glaucoma
Fibras nervosas
Tomografia de coerência óptica
Aprendizado de máquina
Aprendizado profundo
Glaucoma
Nerve fibers
Optical coherence tomography
Machine learning
Deep learning
description Orientador: Vital Paulino Costa
publishDate 2021
dc.date.none.fl_str_mv 2021
2021-04-26T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/1641861
SHIGUEOKA, Leonardo Seidi. O uso da inteligência artificial no diagnóstico do glaucoma e na estimativa da idade a partir da camada de fibras nervosas peripapilares da tomografia decoerência óptica: Artificial intelligence for glaucoma diagnosis and age estimation using peripapillary nerve fiber layer from optical coherence tomography. 2021. 1 recurso online (156 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Ciências Médicas, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1641861. Acesso em: 28 fev. 2025.
url https://hdl.handle.net/20.500.12733/1641861
identifier_str_mv SHIGUEOKA, Leonardo Seidi. O uso da inteligência artificial no diagnóstico do glaucoma e na estimativa da idade a partir da camada de fibras nervosas peripapilares da tomografia decoerência óptica: Artificial intelligence for glaucoma diagnosis and age estimation using peripapillary nerve fiber layer from optical coherence tomography. 2021. 1 recurso online (156 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Ciências Médicas, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1641861. Acesso em: 28 fev. 2025.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1166189
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (156 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1829137718091710464

Registros relacionados