Dimorfismo sexual da espessura da retina: uma análise de aprendizagem de máquina

• Autor(a) principal: FARIAS, Flavia Monteiro
• Data de Publicação: 2022
• Outros Autores: https://orcid.org/0000-0001-7798-7657
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFPA
• Texto Completo: http://repositorio.ufpa.br:8080/jspui/handle/2011/15085
• topic: CNPQ::CIENCIAS BIOLOGICAS::MORFOLOGIA; Retina; Morfologia; Caracteres sexuais; Aprendizado de máquina; FISIOLOGIA DE CÉLULAS E MOLÉCULAS; NEUROCIÊNCIAS; BIOLOGIA CELULAR

A presente pesquisa comparou a acurácia dos algoritmos de aprendizado de máquina em classificar as medidas de espessura e volume das camadas retinianas como obtidas de sujeitos do sexo masculino e do sexo feminino. O estudo avaliou a retina de 64 participantes saudáveis (38 mulheres e 26 homens), de visão normal e sem doenças oculares ou sistêmicas, pertencentes a faixa etária de 20 a 40 anos. Os dados foram obtidos com o tomógrafo Spectralis HRA+OCT na região macular da retina e de suas camadas: camada de fibras nervosas retinianas (CFNR), camada de células ganglionares (CCG), camada plexiforme interna (CPI), camada nuclear interna (CNI), camada plexiforme externa (CPE), camada nuclear externa (CNE), epitélio pigmentar retiniano (EPR), retina interna (RI) e retina externa (RE). A acurácia de classificação foi obtida com os algoritmos: support vector classifier (SVC), logistic regression (LR), linear discrimant analyses (LDA), k- nearest neighbors (kNN), decision tree (DT), gaussian naive bayes (GNB) e random forest (RF). As características atribuídas as amostras de cada participante foram os valores de espessura nas nove regiões da mácula mais o volume macular total de cada camada retiniana. O ANOVA dois critérios e Tukey HSD post-hoc foram utilizados nas comparações estatísticas entre as acurácias para as variáveis classificador e camada retiniana, considerando o nível de significância de < 0,05. Todos os fatores (classificador, camada retiniana e suas interações) tiveram influências significativas nas acurácias (p < 0,05). O efeito principal do fator tipo de algoritmo resultou em uma razão F de F (6, 630) = 4,527, p = 0,0002. O principal efeito para a camada retiniana produziu uma razão F de F (9, 630) = 51,64 e p <0,0001. O efeito de interação também foi significativo, F (54, 630) = 1,741, p = 0,0012. Todos os algoritmos classificaram alta acurácia (> 0,70) as camadas mais internas da retina (retina total, retina interna, CFNR, CCG, CNI) quanto ao sexo dos participantes, onde foram observadas diferenças significativas entre os sexos nas medidas de espessura e volume. Os algoritmos SVC, LDA e LR produziram alta acurácia (> 0,70) quando os dados de espessura e volume vieram da CFNR em comparação as camadas mais externas da retina. Já os algoritmos KNN, RF e DT tiveram melhor desempenho em classificar corretamente os dados da retina total em relação as camadas mais externas. A espessura e o volume da retina e das camadas mais internas da retina permitem que algoritmos de aprendizado de máquina tenham maior acurácia para separar dados dos diferentes sexos.