Rede de aprendizado supervisionado como método de auxilio na detecção do ceratocone

• Ano de defesa: 2011
• Autor(a) principal: Souza, Murilo Barreto
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Artificial intelligence; Ceratocone; Computer-assisted diagnosis; Corneal topography; Diagnosis; Diagnóstico; Diagnóstico por computador; Inteligência artificial; Keratoconus; Neural networks; Redes neurais; Topografia da córnea
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/5/5149/tde-27072011-172605/

INTRODUÇÃO: O ceratocone é uma doença não inflamatória, sem etiologia definida, caracterizada pelo afilamento estromal e protrusão da córnea. Geralmente esta doença torna-se clinicamente evidente na adolescência. Apesar de possuir sinais clínicos bem conhecidos, a detecção do ceratocone em estádios iniciais pode representar uma tarefa de difícil execução, mesmo quando a videoceratografia computadorizada ou outros métodos são utilizados para avaliar a córnea. Anteriormente, diagnosticar o ceratocone apenas após a identificação de sinais clínicos inequívocos era uma conduta aceitável. Com o advento da cirurgia refrativa porém, a identificação precoce do ceratocone tornou-se um procedimento de vital importância para evitar complicações pós-operatórias. O objetivo principal deste estudo é avaliar o uso de máquinas de vetor de suporte e redes neurais artificiais como métodos auxiliares para identificação de ceratocone e suspeita de ceratocone em exames realizados com o Orbscan II. MÉTODOS: Foram avaliados retrospectivamente dados de 344 pacientes. Os exames selecionados foram classificados em 6 categorias: normal (n=172), astigmatismo (n=89), ceratocone (n=46), ceratocone forma frustra (n=10), suspeita de ceratocone (n=16) e cirurgia refrativa (n=11). Para cada paciente 10 atributos foram obtidos ou calculados a partir de dados fornecidos pelo Orbscan II. O método do holdout e da validação cruzada foram utilizados para encontrar a melhor configuração, treinar e testar os classificadores. Além da acurácia, sensibilidade e especificidade, curvas ROC foram obtidas para cada classificador, e as áreas sob as curvas ROC foram calculadas. RESULTADOS: Os dois classificadores selecionados alcançaram um bom desempenho, com áreas sob as curvas ROC de 0,99. Não houve diferença estatística entre as suas performances. O desempenho dos classificadores foi superior ao desempenho de todos os atributos individuais do Orbscan II. (p<0,05). CONCLUSÃO: Os resultados alcançados sugerem que xi x máquinas de vetor de suporte e redes neurais artificiais podem representar técnicas úteis para a detecção de ceratocone em exames realizados com o Orbscan II.