Sensibilidade e especificidade de sistemas de aprendizagem de máquina e da tomografia de coerência óptica de domínio espectral para o diagnóstico de glaucoma

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.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