Identificação da retinopatia diabética por aprendizado de máquina

• Autor(a) principal: Santos, Lidiane Ribeiro
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/202616
• topic: Retinopatia diabética; Reconhecimento de padrões; Aprendizado de máquina; Redes neurais; Diabetic retinopathy; Pattern recognition; Machine learning; Neural networks

Introdução: A retinopatia diabética (RD) é uma grave complicação do diabetes mellitus e uma das principais causas de cegueira irreversível no mundo. O exame fundoscópico e a retinografia, constituem o método diagnóstico padrão para identificação da doença. No entanto, este processo é demorado e depende da avaliação do especialista, o que limita a eficiência do tratamento. Os modelos de inteligência artificial para detecção automática de doenças pelo aprendizado de máquinas podem ser alternativas mais ágeis para a triagem de RD. Dentre elas estão o Optimum-Path Forest (OPF), que apresenta eficiência e baixo custo operacional e o Restricted Boltzmann Machine (RBM), que auxilia no reconhecimento de imagens e possibilita a diminuição da carga computacional. Objetivos: Determinar a acurácia, sensibilidade e especificidade dos modelos de aprendizado de máquina (OPF e RBM) na identificação da retinopatia diabética. Métodos: Estudo transversal com pacientes maiores de 18 anos e suspeita de RD, submetidos a exame oftalmológico e retinografia. As imagens da retina foram avaliadas por um especialista e classificadas pelos modelos OPH e RMB. As retinografias foram separadas em quatro classes (sem RD, RD leve, moderada/grave e proliferativa). Após a fase de treinamento do sistema para reconhecimento dos padrões de retinopatia e normalidade, os modelos RBM e OPF extraíram 500 e 1000 características das imagens para classificação da doença. Foram executadas 15 séries de experimentos com uma repetição de 30 ciclos por série. Resultados: Participaram do estudo 73 diabéticos (122 olhos), sendo 50,7% homens e 49,3% mulheres. A média de idade foi de 59,7 anos. O RMB 1000 teve o melhor desempenho em termos de precisão diagnóstica (89,47 ±2,64) na análise geral. O RMB 500 foi superior na detecção automática de sinais de RD nas retinografias (sensibilidade de 100%). Quanto à especificidade, tanto RBM 1000 quanto OPF 1000, identificaram corretamente 100% das imagens sem sinais de RD. Conclusão: Os modelos de detecção automática de doenças pelo aprendizado de máquinas testados, especialmente o RBM, apresentaram boa precisão diagnóstica, alta sensibilidade e potencial para serem utilizados na triagem da retinopatia diabética.