Treinamento de Classificadores de Aprendizagem de Máquina para o Diagnóstico do Glaucoma com o Uso de Dados de Perimetria Automatizada Padrão (SAP)

• Bruno F. Hashimoto USP
• Leonardo S. Shigueoka UNICAMP
• Vital P. Costa UNICAMP
• Edson S. Gomi USP

DOI: https://doi.org/10.5753/sbcas.2021.16117

Resumo

O glaucoma é uma doença ocular que provoca danos ao nervo óptico e consequente perda do campo visual. Este projeto de pesquisa tem como objetivo investigar o desempenho de Classificadores de Aprendizagem de Máquina no diagnóstico do glaucoma usando dados do exame SAP (Standard Automated Perimetry). Por conta do dataset com dados de pacientes reais ser pequeno, foi gerado um dataset sintético para aumentar a quantidade de dados disponíveis. Foram testados os classificadores Random Forest, Gradient Boosting e DNN (Deep Neural Network). Os resultados obtidos mostram que esses classificadores apresentam desempenho aceitável para o diagnóstico do glaucoma, todos com AUC acima de 83,9% e acurácia acima de 72,0%.

Referências

Asaoka, R., Murata, H., Iwase, A., and Araie, M. (2016). Detecting preperimetric glaucoma with standard automated perimetry using a deep learning classifier. Ophthalmology, 123(9):1974 – 1980.

Azuara-Blanco, A., Costa, V., and Wilson, R. (2001). Handbook of Glaucoma. Taylor & Francis.

Breiman, L. (2001). Random forests. Machine learning, 45(1):5–32.

Chollet, F. (2017). Deep Learning with Python. Manning Publications Co., USA, 1st edition.

Friedman, J. H. (2001). Greedy function approximation: a gradient boosting machine. The Annals of Statistics, 29(5):1189–1232.

Hinton, G. E. and Salakhutdinov, R. R. (2006). Reducing the dimensionality of data with neural networks. science, 313(5786):504–507.

Liu, J. H. K., Zhang, X., Kripke, D. F., and Weinreb, R. N. (2003). Twenty-four-Hour Intraocular Pressure Pattern Associated with Early Glaucomatous Changes. Investigative Ophthalmology and Visual Science, 44(4):1586–1590.

Mandrekar, J. N. (2010). Receiver operating characteristic curve in diagnostic test assessment. Journal of Thoracic Oncology, 5(9):1315–1316.

Shigueoka, L. S., Vasconcellos, J. P. C. d., Schimiti, R. B., Reis, A. S. C., Oliveira, G. O. d., Gomi, E. S., Vianna, J. A. R., Lisboa, R. D. d. R., Medeiros, F. A., and Costa, V. P. (2018). Automated algorithms combining structure and function outperform general ophthalmologists in diagnosing glaucoma. PloS one, 13(12):e0207784.

Shorten, C. and Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, 6(1):1–48.

Vincent, P., Larochelle, H., Lajoie, I., Bengio, Y., Manzagol, P.-A., and Bottou, L. (2010). Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion. Journal of machine learning research, 11(12):3371– 3408.