Diagnóstico de glaucoma usando multi

Jun 11, 2023

Scientific Reports volume 12, Artigo número: 8064 (2022) Citar este artigo

3897 Acessos

8 citações

2 Altmétrico

Detalhes das métricas

Neste estudo, nosso objetivo foi facilitar a avaliação diagnóstica atual do glaucoma, analisando múltiplas características e introduzindo uma nova característica transversal da cabeça do nervo óptico (ONH) a partir de imagens de tomografia de coerência óptica (OCT). Os dados (n = 100 para glaucoma e controle) foram coletados com base em fatores estruturais, funcionais, demográficos e de risco. Os recursos foram analisados ​​estatisticamente e os quatro recursos mais significativos foram usados ​​para treinar algoritmos de aprendizado de máquina (ML). Dois algoritmos de ML: aprendizagem profunda (DL) e regressão logística (LR) foram comparados em termos de precisão de classificação para detecção automatizada de glaucoma. O desempenho dos modelos ML foi avaliado em dados de teste não vistos, n = 55. Um estudo piloto de segmentação de imagem foi então realizado em varreduras transversais de OCT. A área do copo ONH foi extraída, analisada e um novo modelo DL foi treinado para predição de glaucoma. O modelo DL foi estimado por meio de validação cruzada quíntupla e comparado com dois modelos pré-treinados. O modelo DL treinado a partir dos recursos ideais alcançou desempenho diagnóstico significativamente maior (área sob a curva característica de operação do receptor (AUC) 0,98 e precisão de 97% nos dados de validação e 96% nos dados de teste) em comparação com estudos anteriores para detecção automatizada de glaucoma. O segundo modelo DL utilizado no estudo piloto também mostrou resultados promissores (AUC 0,99 e precisão de 98,6%) para detectar glaucoma em comparação com dois modelos pré-treinados. Em combinação, o resultado dos dois estudos sugere fortemente que as quatro características e a área transversal do copo ONH treinada usando aprendizagem profunda têm um grande potencial para uso como ferramenta de triagem inicial para glaucoma, o que ajudará os médicos a tomar uma decisão precisa.

O glaucoma é uma neuropatia óptica potencialmente cegante com uma variedade de etiologias subjacentes caracterizadas pela perda de células ganglionares da retina (RGCs). É caracterizada clinicamente por alterações anatômicas da cabeça do nervo óptico (CNO), principalmente adelgaçamento e arqueamento posterior das lâminas da lâmina cribrosa, vistas clinicamente como escavação da ONH1. A detecção e monitoramento da neuropatia óptica glaucomatosa dependem de diversas características clínicas que são observadas e avaliadas antes de se tomar uma decisão clínica2. Atualmente, o diagnóstico e monitoramento do glaucoma exigem um exame oftalmológico completo e testes adicionais e a coleta de uma série de dados, que podem ser difíceis de interpretar. Além disso, existe uma sobreposição significativa nas características oculares de indivíduos normais e pacientes com glaucoma precoce. Por estas razões, há interesse no desenvolvimento de técnicas complementares – tais como sistemas de inteligência artificial (IA)3 – para ajudar a distinguir a verdadeira patologia da variabilidade normal e a verdadeira progressão da variabilidade entre testes.

Após a recente implementação da IA ​​na oftalmologia, vários algoritmos de aprendizado de máquina (ML) foram investigados e desenvolvidos para detecção automatizada de glaucoma que podem processar rapidamente as imagens da retina e detectar com precisão danos glaucomatosos em testes patológicos em comparação com métodos convencionais. A detecção automatizada de glaucoma usando algoritmos de ML mais simples até algoritmos avançados de aprendizagem profunda (DL), principalmente a partir de imagens oculares, tem sido amplamente pesquisada com resultados variáveis. A maioria dos algoritmos DL treinados a partir de imagens de fundo de olho e OCT executam duas etapas comuns; segmentação da região de interesse e classificação dos olhos glaucomatosos e não glaucomatosos. Nas fases iniciais, as fotografias de fundo de olho têm sido amplamente utilizadas para avaliar e detectar glaucoma utilizando técnicas de IA4,5,6,7,8. Ting et al.9 treinaram um modelo DL em 71.896 fotografias validadas de fundo de retina para detectar possível glaucoma referenciável com uma AUC de 0,942.

Além disso, Asaoka et al.10 aplicaram um modelo de aprendizagem por transferência a imagens maculares de OCT e avaliaram seu desempenho diagnóstico em um conjunto de dados independente que consiste em olhos normais e olhos glaucomatosos de início precoce. A AUC do modelo foi de 0,93, que foi significativamente maior em comparação com outros métodos de ML, como máquina de vetores de suporte (SVM) e floresta aleatória (RF). An et al.11 treinaram imagens de fundo e de OCT usando o modelo VGG19 para distinguir olhos glaucomatosos de olhos normais e alcançaram uma AUC de 0,94 para fundo e uma AUC de 0,94 para quatro características de imagens de OCT, e a combinação de todas as imagens alcançou uma AUC de 0,96.