Predição de campo visual usando um modelo de rede de unidade recorrente bidirecional profunda

Aug 16, 2023

Scientific Reports volume 13, Artigo número: 11154 (2023) Citar este artigo

401 Acessos

2 Altmétrico

Detalhes das métricas

Embora a arquitetura de aprendizagem profunda tenha sido usada para processar dados sequenciais, apenas alguns estudos exploraram a utilidade de algoritmos de aprendizagem profunda para detectar a progressão do glaucoma. Aqui, propusemos um algoritmo de unidade recorrente bidirecional (Bi-GRU) para prever a perda de campo visual. No total, 5.413 olhos de 3.321 pacientes foram incluídos no conjunto de treinamento, enquanto 1.272 olhos de 1.272 pacientes foram incluídos no conjunto de teste. Dados de cinco exames consecutivos de campo visual foram utilizados como entrada; os sextos exames de campo visual foram comparados com as previsões do Bi-GRU. O desempenho do Bi-GRU foi comparado com o desempenho dos algoritmos convencionais de regressão linear (LR) e memória de longo e curto prazo (LSTM). O erro geral de predição foi significativamente menor para o Bi-GRU do que para os algoritmos LR e LSTM. Na predição pontual, o Bi-GRU apresentou o menor erro de predição entre os três modelos na maioria dos locais de teste. Além disso, o Bi-GRU foi o modelo menos afetado em termos de piora nos índices de confiabilidade e gravidade do glaucoma. A previsão precisa da perda de campo visual utilizando o algoritmo Bi-GRU pode facilitar a tomada de decisão quanto ao tratamento de pacientes com glaucoma.

O glaucoma, uma das principais causas de cegueira em todo o mundo, é caracterizado pela perda irreversível de células ganglionares da retina1,2. Alterações estruturais nas células ganglionares da retina e na cabeça do nervo óptico causam deterioração progressiva do campo visual2. A previsão do campo visual futuro é essencial para preservar a função visual. No entanto, os resultados dos testes de campo visual são suscetíveis a erros e flutuações aleatórias, principalmente em pacientes com glaucoma, o que dificulta a previsão precisa das alterações no campo visual3.

Nos últimos anos, algoritmos de aprendizado de máquina demonstraram bom desempenho na previsão da progressão do glaucoma. Wang et al.4 classificaram e determinaram a progressão de 16 arquétipos de defeitos de campo visual. Murata et al.5 encontraram capacidade de predição superior da regressão linear variacional de Bayes, um tipo de algoritmo de aprendizado de máquina, em comparação com a regressão linear pontual (LR). Devido ao recente desenvolvimento da inteligência artificial, algoritmos de aprendizagem profunda têm sido utilizados para diversas tarefas com excelente desempenho. No entanto, apenas alguns estudos previram a progressão de defeitos de campo visual usando algoritmos de aprendizagem profunda. Wen et al.6 usaram uma rede neural convolucional para prever campos visuais futuros, usando um único exame de campo visual como entrada. Berchuck et al.7 usaram um modelo de autocodificador variacional para estimar a taxa de progressão do campo visual.

A rede neural recorrente (RNN), uma rede artificial com conexões recorrentes, tem sido utilizada para séries temporais sequenciais com dependência temporal e para modelagem de sequências8. Pode processar dados atuais, utilizando dados anteriores para fazer previsões, com base nas dependências entre elementos sequenciais9,10. As duas principais variantes de RNN, memória de longo prazo (LSTM)11 e unidade recorrente controlada (GRU)12, modelam a dependência de longo prazo em sequências longas. Em um estudo anterior, descobrimos que o LSTM tinha habilidades superiores para prever campos visuais futuros, em comparação com o LR13 de mínimos quadrados comuns. Dixit et al.14 descobriram que as redes LSTM podem prever as tendências longitudinais locais e globais nos campos visuais.

GRU utiliza unidades de gating de forma mais eficiente e a uma taxa semelhante, em comparação com LSTMs típicos . Vários estudos revelaram que o GRU apresenta excelente desempenho para análise sequencial de dados, em comparação com outros tipos de RNN12,15,18,19. Recentemente, um método RNN bidirecional foi desenvolvido através de treinamento simultâneo com direções de tempo positivas e negativas, o que proporciona uma melhor compreensão do contexto20. Lynn et al.15 compararam vários modelos baseados em RNN para identificação humana usando biometria baseada em eletrocardiograma a partir de dados sequenciais de séries temporais. A rede bidirecional com modelos LSTM e GRU foi mais eficaz que os modelos RNN convencionais, e o modelo de unidade recorrente controlada bidirecional (Bi-GRU) exibiu desempenho superior ao modelo LSTM bidirecional. Como os exames de campo visual fornecem dados sequenciais com extensas interconexões, o Bi-GRU pode alcançar uma melhor previsão da progressão do campo visual, em comparação com o modelo RNN anterior baseado em LSTM.