Return to search

Sensitivity and specificity of machine learning classifiers and spectral domain OCT for the diagnosis of glaucoma = Sensibilidade e especificidade de sistemas de aprendizagem de máquina e da tomografia de coerência óptica de domínio espectral para o diagnóstico de glaucoma / Sensibilidade e especificidade de sistemas de aprendizagem de máquina e da tomografia de coerência óptica de domínio espectral para o diagnóstico de glaucoma

Orientador: Vital Paulino Costa / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Ciências Aplicadas / Made available in DSpace on 2018-08-24T05:07:57Z (GMT). No. of bitstreams: 1
VidottiPimenta_VanessaGoncalves_D.pdf: 6967367 bytes, checksum: 6f865b9b0ad4158ca43a18b2ff974544 (MD5)
Previous issue date: 2014 / Resumo: O presente estudo teve como objetivo investigar a sensibilidade e especificidade dos classificadores de aprendizagem de máquina (MLC) e da tomografia de coerência óptica de domínio espectral (SD-OCT) para o diagnóstico de glaucoma. Sessenta e dois pacientes com glaucoma e defeito de campo visual inicial a moderado, e 48 indivíduos saudáveis foram incluídos. Todos os participantes foram submetidos a um exame oftalmológico completo, perimetria automatizada acromática e medida da espessura da camada de fibras nervosas da retina com SD-OCT (Cirrus HD-OCT; Carl Zeiss Meditec, Inc., Dublin, Califórnia, EUA). Uma curva ROC (receiver operating curve) foi obtida para cada parâmetro do SD-OCT: espessura média, espessura nos quatro quadrantes (temporal, superior, nasal e inferior) e a espessura a cada hora de relógio. Posteriormente, foram testados os seguintes MLCs construídos a partir dos dados do OCT: Árvore de Decisão (CTREE), Random Forest (RAN), Bagging (BAG), Adaptative Boosting (ADA), Ensemble Selection (ENS), Multilayer Perceptrons (MLP), Rede de Funções de Base Radial (RBF), Naive-Bayes (NB), Support Vector Machine - Linear (SVMl) e Support Vector Machine - Gaussian (SVMg). Áreas sob as curvas ROC (aROCs) foram obtidas para cada parâmetro do SD-OCT e para cada MLC. A média de idade foi de 57,0 ± 9,2 anos para os indivíduos saudáveis e de 59,9 ± 9,0 anos para os pacientes com diagnóstico de glaucoma (p=0,103). Valores do &quot;mean deviation¿ (MD) foram de -4,1 ± 2,4 dB para pacientes com glaucoma e -1,5 ± 1,6 dB para indivíduos normais (p<0,001). Os parâmetros do SD-OCT com as maiores aROCs foram: quadrante inferior (0,813), espessura média global (0,807), 7 horas (0,765) e 6 horas de relógio (0,754). As aROCs dos classificadores variaram de 0,785 (ADA) a 0,818 (BAG). A aROC obtida com o BAG não foi significativamente diferente da aROC obtida com o melhor parâmetro isolado do SD-OCT (p=0,932). O SD-OCT mostrou boa acurácia diagnóstica em um grupo de pacientes com glaucoma inicial a moderado. Os MLCs não melhoraram a sensibilidade e a especificidade do SD-OCT para o diagnóstico do glaucoma / Abstract: This study aimed to investigate the sensitivity and specificity of machine learning classifiers (MLC) and spectral domain optical coherence tomography (SD-OCT) for the diagnosis of glaucoma. Sixty-two patients with early to moderate glaucomatous visual field damage and 48 healthy individuals were included. All subjects underwent a complete ophthalmologic examination, achromatic standard automated perimetry, and RNFL imaging with SD-OCT (Cirrus HD-OCT; Carl Zeiss Meditec, Inc., Dublin, California, USA). Receiver operating characteristic (ROC) curves were obtained for all SD-OCT parameters: average thickness, four quadrants (temporal, superior, nasal and inferior) and 12 clock hour measurements. Subsequently, the following MLCs were tested: Classification Tree (CTREE), Random Forest (RAN), Bagging (BAG), AdaBoost M1 (ADA), Ensemble Selection (ENS), Multilayer Perceptron (MLP), Radial Basis Function (RBF), Naive-Bayes (NB), and Support Vector Machine (SVM). Areas under the ROC curves (aROCs) were obtained for each parameter and each MLC. The mean age was 57.0 ± 9.2 years for healthy individuals and 59.9 ± 9.0 years for glaucoma patients (p=0.103). Mean deviation values were ¿4.1 ± 2.4 dB for glaucoma patients and ¿1.5 ± 1.6 dB for healthy individuals (p<0.001). The SD-OCT parameters with the greater aROCs were inferior quadrant (0.813), average thickness (0.807), 7 o¿clock position (0.765), and 6 o¿clock position (0.754). The aROCs obtained with classifiers varied from 0.785 (ADA) to 0.818 (BAG). The aROC obtained with BAG was not significantly different from the aROC obtained with the best single SD-OCT parameter (p=0.932). SD-OCT showed good diagnostic accuracy in a group of patients with early to moderate glaucoma. In this series, MLCs did not improve the sensitivity and specificity of SD-OCT for the diagnosis of glaucoma / Doutorado / Oftalmologia / Doutora em Ciências Médicas

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.unicamp.br:REPOSIP/313126
Date24 August 2018
CreatorsVidotti Pimenta, Vanessa Gonçalves, 1980-
ContributorsUNIVERSIDADE ESTADUAL DE CAMPINAS, Costa, Vital Paulino, 1965-, Tavares, Ivan Maynart, Jose Junior, Newton Kara, Carvalho, Keila Miriam Monteiro de, Vasconcellos, Jose Paulo Cabral de
Publisher[s.n.], Universidade Estadual de Campinas. Faculdade de Ciências Médicas, Programa de Pós-Graduação em Ciências Médicas
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis
Format165 p. : il., application/pdf
Sourcereponame:Repositório Institucional da Unicamp, instname:Universidade Estadual de Campinas, instacron:UNICAMP
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0157 seconds