Aplicabilidade da inteligência artificial utilizando dados de tomografia corneana por método scheimpflug para identificação de ceratocone
Date
2022
Authors
Milhomens Filho, José Arthur Pinto [UNIFESP]
relationships.isAdvisorOf
Hazarbassanov, Rossen Mihaylov [UNIFESP]
item.page.type-of
Dissertação de mestrado profissional
Journal Title
Journal ISSN
Volume Title
Abstract
Objetivo: Determinar novas abordagens de inteligência artificial aplicadas sobre dados de tomografia do segmento anterior para predizer e detectar doenças corneanas como o ceratocone e seus diferentes estágios da doença. Métodos: Foram avaliados dados de 5881 olhos (1726 olhos normais, 345 olhos com ceratocone subclínico, 1380 olhos com ceratocone clínico inicial, 1800 olhos com ceratocone moderado, 630 olhos com ceratocone avançado), utilizando tomografia de córnea por método Scheimpflug. Foram implementados vários métodos de aprendizados de máquina para detectar ceratocone a partir de parâmetros de elevação, topografia e paquimetria da córnea. Resultados: Os parâmetros de elevação forneceram o parâmetro de área sob a curva (AUC) mais alto de 0.99 na detecção de casos de ceratocone e uma AUC de 0.88 na detecção de diferentes níveis de gravidade ao usar apenas três parâmetros corneanos mais promissores, incluindo raio de curvatura mínimo, excentricidade da córnea e asfericidade da córnea. A abordagem com técnica híbrida de associação de métodos de aprendizado computacional determinou otimização dos resultados de detecção de ceratocone em relação aos métodos aplicados isoladamente, alcançando acurácia de 97,03% na classificação em 2 classes e de 71,02% na classificação em 3 classes. Conclusões: Os algoritmos desenvolvidos podem distinguir olhos Ceratocone de olhos saudáveis com alta precisão. Os oftalmologistas necessitam de um cenário mais confortável de introdução no mundo da inteligência artificial, redirecionando suas preocupações de serem substituídos pela máquina para se tornarem protagonistas nesse padrão inovador de atendimento.
Objective: To determine new artificial intelligence approaches applied on anterior segment tomography data to predict and detect corneal diseases such as keratoconus and its different stages. Methods: Data obtained from 5881 eyes (1726 normal eyes, 345 eyes with subclinical keratoconus, 1380 eyes with early clinical keratoconus, 1800 eyes with moderate keratoconus, 630 eyes with advanced keratoconus) were evaluated using Scheimpflug-based corneal tomography. Several machine learning methods were implemented to detect keratoconus from corneal elevation, topography and pachymetry parameters. Results: Elevation parameters provided the highest area under the curve (AUC) parameter of 0.99 in detecting normal from keratoconus cases and an AUC of 0.88 in detecting different severity levels when using only three most promising corneal parameters including minimum curvature radius, eccentricity of the cornea and asphericity of the cornea. The approach with a hybrid technique of associating computational learning methods determined the optimization of keratoconus detection results in relation to the methods applied alone, reaching an accuracy of 97.03% in the classification into 2 classes and 71.02% in the classification into 3 classes. Conclusions: The developed algorithms can distinguish early Keratoconus eyes from healthy eyes with high accuracy. Ophthalmologists need a more comfortable scenario into the world of artificial intelligence, redirecting their concerns of being replaced by the machine to become protagonists in this innovative standard of care.
Objective: To determine new artificial intelligence approaches applied on anterior segment tomography data to predict and detect corneal diseases such as keratoconus and its different stages. Methods: Data obtained from 5881 eyes (1726 normal eyes, 345 eyes with subclinical keratoconus, 1380 eyes with early clinical keratoconus, 1800 eyes with moderate keratoconus, 630 eyes with advanced keratoconus) were evaluated using Scheimpflug-based corneal tomography. Several machine learning methods were implemented to detect keratoconus from corneal elevation, topography and pachymetry parameters. Results: Elevation parameters provided the highest area under the curve (AUC) parameter of 0.99 in detecting normal from keratoconus cases and an AUC of 0.88 in detecting different severity levels when using only three most promising corneal parameters including minimum curvature radius, eccentricity of the cornea and asphericity of the cornea. The approach with a hybrid technique of associating computational learning methods determined the optimization of keratoconus detection results in relation to the methods applied alone, reaching an accuracy of 97.03% in the classification into 2 classes and 71.02% in the classification into 3 classes. Conclusions: The developed algorithms can distinguish early Keratoconus eyes from healthy eyes with high accuracy. Ophthalmologists need a more comfortable scenario into the world of artificial intelligence, redirecting their concerns of being replaced by the machine to become protagonists in this innovative standard of care.