Diagnóstico de glaucoma mediante multi

Jun 30, 2023

Scientific Reports volumen 12, número de artículo: 8064 (2022) Citar este artículo

4069 Accesos

8 citas

2 altmétrico

Detalles de métricas

En este estudio, nuestro objetivo fue facilitar la evaluación diagnóstica actual del glaucoma analizando múltiples características e introduciendo una nueva característica transversal de la cabeza del nervio óptico (ONH) a partir de imágenes de tomografía de coherencia óptica (OCT). Los datos (n = 100 tanto para glaucoma como para control) se recopilaron en función de factores estructurales, funcionales, demográficos y de riesgo. Las características se analizaron estadísticamente y las cuatro características más significativas se utilizaron para entrenar algoritmos de aprendizaje automático (ML). Se compararon dos algoritmos de ML: aprendizaje profundo (DL) y regresión logística (LR) en términos de precisión de clasificación para la detección automatizada de glaucoma. El rendimiento de los modelos ML se evaluó con datos de prueba invisibles, n = 55. Luego se realizó un estudio piloto de segmentación de imágenes en exploraciones OCT transversales. Se extrajo, analizó el área de la copa ONH y se entrenó un nuevo modelo DL para la predicción del glaucoma. El modelo DL se estimó mediante validación cruzada cinco veces y se comparó con dos modelos previamente entrenados. El modelo DL entrenado a partir de las características óptimas logró un rendimiento de diagnóstico significativamente mayor (área bajo la curva característica operativa del receptor (AUC) 0,98 y precisión del 97 % en los datos de validación y del 96 % en los datos de prueba) en comparación con estudios anteriores para la detección automatizada de glaucoma. El segundo modelo DL utilizado en el estudio piloto también mostró resultados prometedores (AUC 0,99 y precisión del 98,6%) para detectar el glaucoma en comparación con dos modelos previamente entrenados. En combinación, el resultado de los dos estudios sugiere firmemente que las cuatro características y el área transversal de la copa ONH entrenada mediante aprendizaje profundo tienen un gran potencial para su uso como herramienta de detección inicial del glaucoma que ayudará a los médicos a tomar una decisión precisa.

El glaucoma es una neuropatía óptica potencialmente cegadora con una variedad de etiologías subyacentes caracterizadas por la pérdida de células ganglionares de la retina (CGR). Se caracteriza clínicamente por cambios anatómicos de la cabeza del nervio óptico (ONH), principalmente adelgazamiento e curvatura posterior de la lámina cribosa que se observa clínicamente como ahuecamiento del ONH1. La detección y el seguimiento de la neuropatía óptica glaucomatosa dependen de varias características clínicas que se observan y evalúan antes de tomar una decisión clínica2. Actualmente, el diagnóstico y el seguimiento del glaucoma requieren un examen ocular completo y pruebas adicionales y la recopilación de una gran cantidad de datos, que pueden ser difíciles de interpretar. Además, existe una superposición significativa en las características oculares de sujetos normales y pacientes con glaucoma temprano. Por estas razones, existe interés en desarrollar técnicas complementarias, como sistemas de inteligencia artificial (IA)3, para ayudar a distinguir la patología verdadera de la variabilidad normal y la progresión verdadera de la variabilidad entre pruebas.

Tras la reciente implementación de la IA en oftalmología, se han investigado y desarrollado varios algoritmos de aprendizaje automático (ML) para la detección automatizada del glaucoma que pueden procesar rápidamente las imágenes de la retina y detectar con precisión el daño glaucomatoso en pruebas patológicas en comparación con los métodos convencionales. La detección automatizada del glaucoma utilizando algoritmos de aprendizaje profundo (DL) más simples y avanzados, principalmente a partir de imágenes oculares, se ha investigado ampliamente con resultados variables. La mayoría de los algoritmos de DL entrenados a partir de imágenes de fondo de ojo y OCT realizan dos pasos comunes; segmentación de la región de interés y clasificación de ojos glaucomatosos y no glaucomatosos. En las primeras etapas, las fotografías del fondo de ojo se han utilizado ampliamente para evaluar y detectar el glaucoma mediante técnicas de IA4,5,6,7,8. Ting et al.9 entrenaron un modelo DL en 71.896 fotografías validadas del fondo de retina para detectar un posible glaucoma referible con un AUC de 0,942.

Además, Asaoka et al.10 aplicaron un modelo de aprendizaje por transferencia a imágenes OCT maculares y evaluaron su rendimiento diagnóstico en un conjunto de datos independiente compuesto por ojos normales y ojos glaucomatosos de aparición temprana. El AUC del modelo fue 0,93, que fue significativamente mayor en comparación con otros métodos de ML, como la máquina de vectores de soporte (SVM) y el bosque aleatorio (RF). An et al.11 entrenaron imágenes de fondo de ojo y OCT utilizando el modelo VGG19 para distinguir ojos glaucomatosos de ojos normales y lograron un AUC de 0,94 para el fondo de ojo y un AUC de 0,94 para cuatro características de las imágenes de OCT, y la combinación de todas las imágenes logró un AUC. de 0,96.

Además, Devalla et al.12 investigaron la capacidad de una U-Net residual dilatada (DRUNET), una red de aprendizaje profundo, para detectar glaucoma en 100 imágenes de exploración B OCT. DRUNET logró una sensibilidad media del 92% y una especificidad del 99% en la detección de ojos tanto sanos como glaucomatosos. En otro estudio, Gómez-Valverde et al.13 entrenaron cinco modelos de redes neuronales convolucionales (CNN): CNN estándar, VGG19, ResNet50, GoogleNet y DENet utilizando el conjunto de datos RIM-ONE y VGG19 obtuvo el mejor rendimiento para la detección de glaucoma con un AUC de 0,94. la sensibilidad del 87,0% y la especificidad del 89,0%. Asaoka et al.14 utilizaron un conjunto de datos local que consta de 1364 imágenes de glaucoma y 1768 imágenes de retina sana para entrenar a partir de un modelo ResNet previamente entrenado y lograron un AUC de 0,95.

Un pequeño número de estudios ha utilizado datos del campo visual (VF) para entrenar algoritmos de DL para detectar daño glaucomatoso, y los que existen muestran un rendimiento similar, a veces mejor, en comparación con los expertos en glaucoma15,16,17. Li et al.18 entrenaron una CNN profunda para diferenciar entre FV glaucomatosas y no glaucomatosas, con mapas de desviación de probabilidad (PD) como entrada de datos. Logró un AUC de 0,96 con una precisión, sensibilidad y especificidad del 87,6%, 93,2% y 82,6%, respectivamente. Bizios et al.19 demostraron que una red neuronal artificial (RNA) de múltiples capas y feed-forward tenía un rendimiento y una precisión diagnóstica considerablemente mejores a la hora de distinguir entre FV normales y glaucomatosas en comparación con los índices globales STATPAC convencionales [Prueba de Glaucoma Hemifield (GHT) y desviación estándar del patrón]. (PSD)] y logró un AUC de 0,98. Kucur et al.20 también han desarrollado una CNN capaz de discriminar entre FV normales y glaucomatosas tempranas con una puntuación de precisión media del 87%.

Ahora existe evidencia convincente de que entrenar un modelo clasificador de ML con características estructurales y funcionales combinadas podría mejorar el poder discriminatorio en comparación con los modelos entrenados solo con estructura o función21. Por ejemplo, se ha demostrado que los factores clínicos, la presión intraocular (PIO) y el espesor corneal per se enriquecen parcialmente la precisión diagnóstica de los algoritmos22. Brigatti et al.23 utilizaron una red neuronal para entrenar características combinadas a partir de índices de perimetría automática estándar (SAP) (defecto medio, varianza de pérdida corregida y fluctuación a corto plazo) y datos estructurales (relación copa/disco, área del borde, volumen de la copa, y altura de la capa de fibras nerviosas) en conjunto de un total de 185 sujetos con glaucoma y 54 sujetos normales y lograron una sensibilidad del 90% y una especificidad del 84%. Bowd et al.24 agregaron el espesor de la capa de fibras nerviosas de la retina (RNFL) y los parámetros SAP utilizando un clasificador de máquina de vectores de relevancia y lograron un AUC de 0,85. En otro estudio, Grewal et al.25 utilizaron un modelo ANN para detectar glaucoma combinando edad, sexo, miopía, PIO, ONH y RNFL, parámetros SAP y alcanzaron un AUC de 0,77. En un estudio reciente, Kim et al.22 entrenaron cuatro algoritmos de ML: C5.0, RF, SVM y k-vecinos más cercanos (KNN) combinando edad, PIO, espesor corneal, RNFL, GHT, desviación media (MD), PSD. de un total de 342 sujetos. El modelo RF obtuvo el mejor rendimiento entre los cuatro modelos con un AUC de 0,98.

Sin embargo, como se indica en la literatura, se han realizado algunos estudios para la detección del glaucoma utilizando técnicas de aprendizaje automático y profundo que combinan características estructurales y funcionales. Además, como el glaucoma es una enfermedad multifactorial y su detección temprana es difícil; por tanto, los médicos también consideran los factores de riesgo. Tales características incluyen edad avanzada, antecedentes familiares de glaucoma, género y origen étnico (p. ej., los afroamericanos tienen mayor riesgo de padecer glaucoma de ángulo abierto)26. La PIO más alta, la disminución del espesor corneal central (CCT) y la miopía son otros factores de riesgo establecidos para el glaucoma27,28. No pudimos encontrar ningún estudio de ML que utilizara características combinadas, incluidos los factores de riesgo, para la detección temprana del glaucoma. Además, la optimización de funciones a partir del máximo aporte clínico es ahora un requisito fundamental tanto para los médicos como para los pacientes con glaucoma. Además, esto resolverá las limitaciones de tiempo y recursos de los modelos de IA. Dado el puñado de técnicas propuestas, está garantizado desarrollar un algoritmo de IA eficaz que combine el historial completo del paciente con la mayor cantidad de datos del mundo real posible, lo que puede superar el desempeño humano en el diagnóstico de glaucoma.

Por lo tanto, nuestro objetivo era explorar y comparar las características óptimas para diagnosticar el glaucoma combinando datos de factores de riesgo funcionales, estructurales y demográficos/históricos. Nuestra investigación inicial tiene como objetivo identificar características importantes que ayuden a la detección de cambios glaucomatosos y observar el rendimiento de la clasificación utilizando técnicas de aprendizaje automático entrenadas a partir de las características optimizadas. Además, en nuestro estudio incluimos a la mayoría de los pacientes con glaucoma del grupo temprano, de modo que el modelo ML puede detectar el glaucoma en etapas tempranas. Además de utilizar los datos 2D, también utilizamos una nueva imagen transversal ONH OCT que se puede agregar como una nueva característica clínica para diagnosticar glaucoma y mejorar la precisión si se combina con datos 2D.

Se analizaron datos clínicos de dos grupos de sujetos examinados entre 2015 y 2018 en el Centro para la Salud Ocular de la UNSW Sydney (n = 200, que constaban de 100 sujetos normales y 100 pacientes con glaucoma). Los pacientes normales se emparejaron con los casos por grupo de edad (30 a 39, 40 a 49, 50 a 59, 60 a 69 y 70 a 85). Nuestro principal objetivo era optimizar las funciones que también pueden ayudar a diagnosticar el glaucoma precoz. Por tanto, los datos de glaucoma se componen de 73 pacientes tempranos, 21 moderados, 4 avanzados y 2 graves. El etiquetado del estadio del glaucoma se realizó según los criterios de Mills et al.29. Además, se han utilizado como conjunto de datos de prueba datos no vistos de 55 pacientes, 25 de ellos glaucomatosos y 30 normales.

Dado que el glaucoma se considera una enfermedad ocular compleja, optimizar su detección y seguimiento es una cuestión importante de salud pública. Para este objetivo, hemos explorado características óptimas, incluidos hallazgos funcionales, estructurales, demográficos y factores de riesgo conocidos para el glaucoma. La Tabla 1 resume las posibles características del glaucoma primario de ángulo abierto (GPAA)30,31,32,33.

Con base en las posibles características de diagnóstico de glaucoma, recopilamos la mayoría de los datos de la Tabla 1 del Cirrus HD-OCT (Carl Zeiss Meditec) y un total de 11 características (edad, sexo, espesor promedio de RNFL, CDR, espesor de la córnea, PIO, MD). , PSD, equivalente esférico (SE), origen étnico e historia familiar).

Realizamos un estudio piloto de segmentación y extracción de una nueva región de interés (ROI) a partir de imágenes de escaneo B de ONH OCT (6 escaneos por ojo) (Spectralis OCT, Heidelberg Engineering) de 60 ojos, incluidos 30 normales y 30 con glaucoma entre 200 datos de pacientes. La aprobación ética para la recopilación de datos fue proporcionada por el comité de ética pertinente de la UNSW Sydney, y el estudio siguió los principios de la Declaración de Helsinki. Los pacientes dieron su consentimiento informado por escrito para el uso de sus datos clínicos no identificados con fines de investigación.

Utilizando fuentes tradicionales de información para el diagnóstico de glaucoma, primero calculamos la prueba t independiente y realizamos un análisis de la curva de características operativas del receptor (ROC) para encontrar características significativas y examinamos la separabilidad de sus distribuciones utilizando el AUC. Además, calculamos la potencia del tamaño de la muestra tanto para la prueba t independiente como para la curva ROC.

Se realizó un estudio piloto para segmentar el área de la superficie de la copa de las imágenes de exploración ONH OCT B de 60 ojos, incluidos 30 pacientes normales y 30 pacientes con glaucoma. Para este estudio, la edad promedio de los pacientes normales y con glaucoma fue de 47 ± 11 y 61 ± 12,36, respectivamente. Como el glaucoma es una neuropatía óptica, exploramos específicamente las características de las exploraciones OCT B transversales del nervio óptico. Las exploraciones B se dispusieron radialmente desde el centro de la ONH, como se muestra en la figura 1a. Introdujimos explícitamente una nueva técnica para la segmentación y extracción del área de la superficie de la copa a partir de la exploración B de imágenes OCT y calculamos el área media de las primeras 6 exploraciones B de la ONH entre un total de 24 exploraciones OCT34, según el conocimiento sobre Se conocen cambios anatómicos que ocurren en el ONH, específicamente en la región superior e inferior del ojo en el glaucoma35. El punto inicial de selección de ROI se midió desde el disco hasta la copa con un ancho mínimo de borde como se muestra en la Fig. 1b y el área de la superficie de la copa se seleccionó desde el punto del borde usando un método poligonal a mano alzada y se generó una máscara binaria a partir del polígono resultante. . La segmentación a mano alzada se realizó en MATLAB R2019b, y el área de la copa, el área media de la copa y la DE se calcularon a partir de imágenes binarias utilizando el software de código abierto [ImageJ (www.imagej.nih.gov/ij/)]. Calculamos el área media de la superficie de la copa a partir de las primeras 6 exploraciones B de 40 ojos entre 60. Las imágenes binarias resultantes se muestran en la Fig. 1c. Posteriormente, se aplicó un algoritmo DL a las imágenes de exploración OCT B segmentadas. La exploración OCT B segmentada se recortó de la exploración OCT original y el nuevo tamaño de imagen fue de 383 × 197 píxeles.

(a) El patrón radial de la OCT de la cabeza del nervio óptico con B-scan. (b) Selección de ROI y extracción de B-scan. (c) Imágenes extraídas del ROI final para glaucoma y sujetos normales.

Las características estadísticamente significativas se entrenaron utilizando dos algoritmos de aprendizaje automático, una técnica LR y DL, para observar la precisión de la clasificación de la detección de glaucoma. Inicialmente comenzamos con un algoritmo simple y eficiente, LR, como predicción basada en una clasificación binaria simple del conjunto de datos paramétricos.

Para la clasificación utilizando solo características significativas, dividimos los 200 conjuntos de datos en un 80% de datos de entrenamiento y un 20% de datos de validación. Los parámetros para el clasificador LR fueron 'libliner', un solucionador de clasificador lineal, penalización L2 (magnitud del coeficiente al cuadrado), una técnica de regularización para reducir el problema de sobreajuste y el valor de tolerancia fue 0,0001. Luego aplicamos un modelo DL que consta de cuatro capas para investigar si mejora la precisión de la clasificación. Se supone que la precisión aumentará a medida que una sola neurona en la red neuronal profunda haga referencia a un mapeo de entrada-salida similar al que ocurre en LR36. Para la técnica DL, utilizamos un modelo secuencial que consta de cuatro capas, 64 nodos en cada capa con ReLU (Unidades lineales rectificadas) como función de activación. Para la última capa, utilizamos un nodo con una función de activación sigmoidea que comprime todos los valores de entrada a un rango de salida entre 0 y 1. El modelo se compiló utilizando Adam37, un optimizador basado en impulso con la función de pérdida binaria_crossentropy, que proporcionó el salida en forma de probabilidad. Para evaluar el rendimiento de los modelos, se utilizaron como conjunto de datos de prueba 25 datos oculares glaucomatosos y 30 normales no vistos.

En el estudio piloto, se desarrolló una arquitectura CNN simple para clasificar los ojos como normales o glaucomatosos directamente a partir de las exploraciones OCT B segmentadas. Para evaluar el rendimiento de nuestro modelo CNN propuesto, el resultado se comparó con dos modelos previamente entrenados ampliamente utilizados. Se utilizó un total de 360 ​​imágenes OCT binarias segmentadas de 60 ojos para entrenar la CNN utilizando dos grupos de sujetos: 180 imágenes de pacientes normales y 180 de pacientes con glaucoma. Debido al conjunto de datos limitado, se realizó una validación cruzada de k veces para evaluar la generalización del modelo en datos no vistos.

La validación cruzada se realiza k veces para permitir el uso de todos los subconjuntos exactamente una vez como conjunto de prueba. El rendimiento del modelo se determina de acuerdo con el promedio de las puntuaciones de evaluación del modelo calculadas en los k subconjuntos de pruebas. Utilizamos una validación cruzada quíntuple adaptada de 38 para utilizar todo el conjunto de datos para el entrenamiento y observamos el rendimiento en el conjunto de datos de prueba. Las imágenes cambiaron de tamaño a 224 × 224 píxeles durante el aumento de datos utilizando MATLAB imageDataAugmenter. Por lo tanto, el cambio de escala no afectará la forma y el volumen reales de la superficie de la copa ONH. El aumento se realizó utilizando cuatro argumentos: 'RandRotation', 'RandXTranslation', 'RandYTranslation', 'RandXReflection' (reflejado horizontalmente) y 'RandXShear' (cortado horizontalmente). No se realizó ningún otro preprocesamiento.

Usamos una arquitectura CNN de 24 capas que consta de cinco capas convolucionales (3 × 3) con tamaños de kernel aumentados 32, 64, 128, 256 y 512. Agregamos una capa ReLU y de normalización por lotes después de cada capa convolucional para acelerar y mejorar la inicialización. de la red39,40. Luego, se agregó una capa de agrupación máxima (2 × 2) para cada capa convolucional después de la normalización por lotes y la capa ReLU. Se agregó una capa completamente conectada al final de la red para la clasificación final. También agregamos una capa de abandono antes de la capa completamente conectada para excluir el 25% de las neuronas de la capa anterior de CNN para superar el problema de sobreajuste durante el período de entrenamiento41. Para la salida de clasificación binaria, utilizamos la función "softmax" en lugar de "sigmoidea", ya que la salida softmax se presenta como la probabilidad de que la entrada pertenezca a la clase asociada, mientras que la función "sigmoidea" simplemente crea una salida entre 0 y 142. Para entrenar la red, utilizamos el optimizador de propagación cuadrática media (RMSProp) con una tasa de aprendizaje inicial de 1 × 10–4. El entrenamiento 'MiniBatchSize' se configuró en 12 con 'MaxEpochs' en 20.

Para evaluar el rendimiento de nuestro modelo DL, utilizamos dos modelos previamente entrenados; ResNet1843 y VGG1644, que se entrenan a partir de la base de datos ImageNet (con más de un millón de imágenes)45. Los dos modelos se utilizan específicamente para la clasificación, segmentación y extracción de características de imágenes médicas46,47. Estos dos modelos mostraron un rendimiento comparativamente mejor en la literatura que otros modelos DL en imágenes OCT para la detección de glaucoma11,13,14,47. ResNet18 y VGG16 constan de un total de 71 y 41 capas, respectivamente, y ambos requieren imágenes de tamaño de 224 × 224 píxeles para la capa de entrada. Utilizamos una validación cruzada quíntuple para ambas redes y se utilizó el mismo aumento de datos y el optimizador del modelo Stochastic Gradient Descent with Momentum (SGDM). Para obtener los mejores resultados para los dos modelos, se ajustaron los hiperparámetros de entrenamiento: tasa de aprendizaje, épocas y tamaños de lote para lograr resultados óptimos. Se determinó un tamaño de lote de 12, 20 épocas y una tasa de aprendizaje de 1 × 10–5 para VGG16 y un tamaño de lote de doce, 20 épocas y una tasa de aprendizaje de 1 × 10–4 para ResNet18. Los demás hiperparámetros asociados con ambos modelos de red se configuraron de acuerdo con su estructura original.

Se utilizó la técnica de mapeo de activación de clases ponderada por gradiente (Grad-CAM) para visualizar las características aprendidas de la red que influyeron en el modelo para clasificar los dos grupos. Grad-CAM calcula el gradiente de la puntuación de la imagen para la clase específica y estima el gradiente de la puntuación de clasificación final en relación con los pesos de la última capa convolucional. Grad-CAM genera un mapa de calor de forma transparente en la imagen, donde el rojo intenso se considera el valor máximo de la clase de predicción y el azul profundo es el valor de clase más bajo48.

Considerando un tamaño del efecto de 0,50, un error α de 0,05 y una proporción de asignación de grupos de 1:1, se requiere un mínimo de 88 pacientes en cada grupo para alcanzar un poder estadístico del 95%. En nuestro estudio, para n = 100 en cada grupo tiene un poder superior al 95% para detectar una diferencia estadística utilizando la prueba t independiente para variables continuas. Para el análisis de la curva ROC, n = 100 en cada grupo tiene un poder superior al 90 % para detectar un AUC ROC de 0,80 para un predictor continuo suponiendo un AUC ROC nulo de 0,70. Para un predictor dicotómico, el poder es superior al 80%.

Los datos demográficos de los pacientes se presentan en la Tabla 2. Las diferencias de grupo se probaron utilizando la prueba t de muestras independientes (variables continuas) o la prueba de χ2 (variables categóricas).

La comparación de las características extraídas en dos grupos sugiere que sólo RNFL, CDR, PIO, MD y PSD son estadísticamente significativos (p <0,05). Además, el AUC de la República de China fue > 0,7 para RNFL, CDR, PSD y MD (Tabla 3 y Fig. 2), y la PIO tuvo una separabilidad deficiente entre los dos grupos (AUC 0,63).

Curva ROC para las características (AUC) > = 0,7

Para la clasificación del glaucoma, entrenamos los algoritmos LR y DL con las cuatro características MD, PSD, RNFL y CDR; y observó el rendimiento tanto en la validación como en el conjunto de datos de prueba invisible. Logramos los mejores rendimientos para el clasificador LR con 100 iteraciones y el clasificador DL ​​con 1000 épocas y un tamaño de lote de 20. Para evaluar el rendimiento de ambos modelos, el AUC se calculó a partir de la curva ROC comparando la tasa de verdaderos positivos con la tasa de falsos positivos. y los índices de sensibilidad/especificidad se calcularon a partir de la matriz de confusión como se muestra en la Tabla 4. Cada matriz de confusión proporciona cuatro resultados: verdadero positivo, verdadero negativo, falso positivo y falso negativo. En nuestro caso:

Verdadero positivo (TP): predicción correcta del glaucoma

Falso positivo (FP): predicción incorrecta del glaucoma

Verdadero negativo (TN): predicción normal correcta

Falso negativo (FN): predicción normal incorrecta

Definimos sensibilidad o tasa de verdaderos positivos TPR = TP/(TP + FN) y

Especificidad o tasa de verdaderos negativos TNR = TN/(TN + FP)49.

En la matriz de confusión de las Tablas 4 y 5, podemos ver que tanto el modelo LR como el DL pueden clasificar exitosamente el grupo con una precisión del 95% y 97%, respectivamente, con las cuatro características. El modelo DL con un AUC de 0,98, una sensibilidad del 100 % y una especificidad del 96 % funciona mejor que el modelo LR. Sin embargo, los modelos LR y DL mostraron un rendimiento similar en el conjunto de datos de prueba con una precisión del 96 %, una sensibilidad del 100 % y una especificidad del 93 %.

Calculamos el área de superficie media de la copa a partir de las exploraciones OCT B transversales segmentadas y se encontró que el área media de la copa era significativa [p < 0,05 (p = 0,01)] para dos grupos y menor para el glaucoma que el grupo normal, como se muestra en Fig. 3.

El área de superficie media de la copa de las primeras 6 exploraciones B de OCT (corte transversal) de la ONH para los grupos normales y con glaucoma.

Los resultados de nuestro modelo DL propuesto entrenado a partir de imágenes segmentadas se muestran a continuación y se comparan con los dos modelos previamente entrenados utilizando una matriz de confusión en las Tablas 6 y 7.

A partir de la matriz de confusión de las Tablas 6 y 7, se demostró que el resultado de clasificación de los modelos ResNet18 y VGG16 fue similar con una precisión del 97,8 %, una sensibilidad del 100 %, una especificidad del 95,6 % y una precisión del 95,7 %. Nuestro modelo DL propuesto funcionó mejor que dos modelos previamente entrenados con un AUC de 0,99, una precisión del 98,6 %, una sensibilidad del 99,4 % y una especificidad y precisión de predicción del glaucoma del 97,8 %. El AUC es 0,99 para los tres modelos DL, lo que sugiere que los valores de umbral máximos pudieron separar con éxito las dos clases, es decir, glaucoma y normal, con la nueva superficie de copa segmentada. Entre un total de 180 imágenes de glaucoma, 1 imagen ha sido clasificada erróneamente como ojos normales, que no son imágenes posteriores de un ojo, es decir, entre 6 imágenes por ojo, sólo una imagen ha sido clasificada erróneamente como ojo normal y la mayoría de las Las imágenes por ojo se detectaron correctamente como glaucoma. También se observó una tasa de clasificación errónea similar en el contexto de ojos normales.

En las Figs. 4 y 5, mostramos los mapas de calor producidos a partir de Grad-CAM para algunas imágenes OCT normales y glaucomatosas seleccionadas al azar para explicar qué características de los tres modelos se consideraron para diferenciar las dos clases.

Los mapas de calor de GradCAM para VGG16, ResNet18 y el modelo DL propuesto (de izquierda a derecha) obtenidos a partir de imágenes OCT segmentadas de ojos glaucomatosos (izquierda).

Los mapas de calor de GradCAM para VGG16, ResNet18 y el modelo DL propuesto (de izquierda a derecha) obtenidos a partir de imágenes OCT segmentadas de ojos normales (izquierda).

En las Figs. 4 y 5, podemos ver que Grad-CAM produjo un color rojo intenso dentro o en los bordes de las superficies de la copa, lo que implica que el área de la superficie de la copa ONH es capaz de diferenciar entre el grupo normal y el de glaucoma mediante una técnica de aprendizaje profundo. Además, podemos ver que el VGG16 y nuestro modelo propuesto localizaron con precisión (rojo intenso) la deformación de la superficie de la copa ONH para imágenes de glaucoma.

En esta investigación, recopilamos características de diagnóstico de pacientes normales y glaucomatosos en función de factores estructurales, funcionales, demográficos y de riesgo y optimizamos con éxito las características para detectar glaucoma utilizando algoritmos de aprendizaje automático. Los resultados estadísticos concuerdan ampliamente con investigaciones anteriores50 que sugirieron que ciertos factores de riesgo como el error refractivo, la PIO, los antecedentes familiares y la presencia de una córnea delgada no son significativos para la detección del glaucoma.

Existen muchos estudios de ML para la detección automatizada de glaucoma basados ​​en características estructurales y no estructurales entrenadas a partir de fotografías de fondo de ojo, OCT e imágenes de FV20,21,22,23,24,25,26,27,28,29,30,31. ,32,33,34,35 mencionado en la literatura. El glaucoma es una enfermedad muy compleja y no podemos basarnos en una única prueba, ya que no hay información suficiente para realizar un diagnóstico. Este es el primer estudio en el que se combinaron características óptimas de factores estructurales, funcionales, demográficos y de riesgo para diferenciar ojos normales y glaucomatosos. En nuestro estudio anterior34, incluimos todas las características, incluida la edad y el VFI. Tanto la edad como el VFI fueron estadísticamente significativos entre los dos grupos. En este estudio, aumentamos el tamaño de los datos e investigamos cómo las características del glaucoma afectaban a un amplio rango del mismo grupo de edad, ya que no se limita solo a edades mayores. Dado que VFI se calcula a partir de los valores PD y MD, descartamos VFI de nuestras funciones finales para reducir los requisitos de procesamiento de datos. Además, también hemos comparado los resultados de DL con y sin VFI; la presencia de VFI no tiene ningún impacto en los resultados de la clasificación. Además, la detección temprana es esencial ya que el tratamiento temprano del glaucoma puede salvar o detener una mayor pérdida de visión. Por lo tanto, en nuestro estudio, incluimos una gran cantidad de pacientes con glaucoma en etapas tempranas y con las cuatro características: RNFL, CDR, MD y PSD, ambos modelos LR y DL capaces de detectar glaucoma incluso en etapas tempranas. Hasta donde sabemos, este es el primer estudio en el que se combinaron, analizaron y entrenaron características máximas del glaucoma mediante aprendizaje automático para que las características óptimas pudieran detectar el glaucoma en etapas tempranas. El modelo DL diseñado mostró un mejor rendimiento que el clasificador LR en el conjunto de datos de validación. Sin embargo, los modelos LR y DL se comportaron de manera similar en el conjunto de datos de prueba. La Tabla 8 muestra la comparación del rendimiento de nuestro modelo DL propuesto con estudios previos de detección de glaucoma utilizando características estructurales y funcionales. Nuestro modelo DL mostró un rendimiento prometedor en el conjunto de datos de validación con un AUC de 0,98, 97 % de precisión, 100 % de sensibilidad y 96 % de especificidad. Para el conjunto de datos de la prueba, la precisión es del 96 %, la sensibilidad del 100 % y la especificidad del 93 %. Aquí, comparamos particularmente nuestro estudio con hallazgos anteriores basados ​​en características estructurales y funcionales combinadas. El objetivo principal de la comparación aquí es demostrar que nuestras características distintivas identificadas entrenadas con aprendizaje profundo han mejorado en la detección automatizada de glaucoma. Además, una fortaleza adicional del estudio es la inclusión de una amplia gama de edades, que van desde 30 a 85 años en ambos grupos, lo que da como resultado una técnica para optimizar las características del glaucoma independientemente de la edad del sujeto.

Según el resultado de validación y los datos de la prueba de DL propuestos, la sensibilidad fue del 100%, lo que superó la predicción precisa del glaucoma incluso en las primeras etapas. La especificidad fue del 96% y se redujo al 93% en los datos de la prueba. Un total de tres: uno de validación y dos de prueba, ojos normales fueron diagnosticados erróneamente como ojos glaucomatosos. Los sujetos fueron investigados más a fondo. Los valores de MD, PSD, RNFL y CDR del primer sujeto (60 años) fueron - 16,8, 8,1, 89,1 y 0,6, respectivamente, lo que podría predecirse como sospecha de glaucoma o estar relacionado con otras enfermedades. El segundo sujeto (68) tiene una PSD más alta (4,92) y otro sujeto (68) tiene un espesor de RNFL más bajo (79,65) y una CDR más alta (0,66), lo que sugiere que podría haber algún efecto del envejecimiento en MD, PSD, RNFL y CDR. pero se requieren más estudios analíticos sobre un conjunto de datos más amplio. El resultado de los datos de la prueba también indica que los datos 2D habían mostrado un rendimiento prometedor en los datos de validación para detectar el glaucoma. Aun así, la tasa de falsos positivos aumentó en los datos de las pruebas, lo que podría suponer un desafío para DL a la hora de separar la enfermedad de lo normal. Por lo tanto, en el estudio piloto, utilizamos exploraciones ONH OCT transversales, que nos permitieron evaluar las anomalías de la ONH anterior y realizar la medición cuantitativa de la superficie o los contornos si se produce algún daño por glaucoma. Segmentamos y extrajimos una nueva característica estructural de las exploraciones transversales ONH OCT B. Primero segmentamos seis exploraciones B radiales del área SD-OCT ONH y medimos el área de la copa de la superficie de ONH para cada exploración, y finalmente calculamos el área media que reveló los cambios reales de los ojos glaucomatosos de la región superior e inferior. Esto demostró que el área media de la copa resultante es significativamente menor (p = 0,01) en pacientes con glaucoma, lo que puede ser un marcador útil para el diagnóstico de glaucoma. También desarrollamos una red neuronal convolucional profunda para evaluar esta nueva característica del área de la copa para la detección de glaucoma.

Los resultados del DL entrenado con imágenes segmentadas mostraron una buena precisión en comparación con dos modelos previamente entrenados existentes. Aunque VGG16, ResNet18 y nuestro modelo AUC propuesto eran iguales para la detección de glaucoma, nuestro modelo DL tiene una estructura mucho más simple con menos parámetros y una duración de entrenamiento más corta que los dos modelos previamente entrenados. Además, nuestro modelo DL propuesto mostró un mejor rendimiento en comparación con los resultados de estudios anteriores11,12,13,14. Además, la visualización GradCAM también mostró que la superficie segmentada de la copa es capaz de distinguir el glaucoma del grupo normal. El VGG16 y nuestro modelo DL propuesto localizaron con precisión la región afectada del glaucoma en las imágenes OCT segmentadas. También cabe señalar que, hasta donde sabemos, este es el primer estudio que utiliza seis imágenes transversales de exploración OCT B entrenadas juntas para aumentar la precisión de las evaluaciones diagnósticas de ONH. La ventosa ONH es un cambio estructural significativo para los pacientes con glaucoma. Según la literatura previa52,53,54, el cotilo ONH es una región de interés importante para la evaluación de un paciente con glaucoma. Por lo tanto, realizamos este estudio piloto para segmentar el área de la superficie de la copa ONH y descubrimos que es significativa entre los dos grupos. Este estudio sugirió que la segmentación y medición del área transversal de la copa ONH podría ser una característica novedosa de imágenes clínicas que se agregaría al diagnóstico de glaucoma. El modelo DL propuesto que utiliza imágenes segmentadas OCT ONH, la detección de glaucoma puede usarse como una herramienta de detección eficaz para los médicos en el diagnóstico de glaucoma.

Este estudio tiene varias limitaciones. En primer lugar, nuestro estudio se basó principalmente en las pruebas estándar para el diagnóstico de glaucoma (por ejemplo, tonometría, fondo de ojo, perimetría/campos visuales, paquimetría y exploraciones OCT). No pudimos incluir otras funciones avanzadas como medición de gonioscopia, espesores de la capa de células ganglionares de la retina (GCL) y de la capa plexiforme interna (IPL) de GCL +, angiografía por OCT [p. ej., densidad de vasos, índice de flujo sanguíneo, índice de flujo, capa profunda parapapilar abandono microvascular (MvD)], y otros factores de riesgo como miopía alta, presión arterial alta, diabetes, enfermedades cardiovasculares, cirugía ocular previa o lesión asociada con glaucoma55,56,57. En segundo lugar, el estudio se realizó en el CFEH, Australia, donde la mayoría de los pacientes eran caucásicos y asiáticos; por lo tanto, no pudimos explorar completamente el efecto de la etnicidad. Además, no investigamos la correlación de otras enfermedades (como cataratas, diabetes, etc.) con el glaucoma. Estos podrían tener algún efecto en nuestros resultados de clasificación del glaucoma. Finalmente, aunque el resultado DL del estudio piloto con la nueva característica segmentada es prometedor para la detección de glaucoma, nuestro estudio se limita solo a las primeras 6 exploraciones B de las 24 exploraciones B radiales recopiladas por el SD-OCT de Heidelberg. La segmentación de las 24 exploraciones y la medición del área media de la copa ONH de las exploraciones B totales podrían hacer que nuestro estudio sea más confiable y clínicamente estable, lo cual es un objetivo de estudios futuros.

En general, el estudio del aprendizaje profundo utilizando cuatro características idénticas y un área de copa ONH segmentada como entrada, individualmente, se ha considerado prometedor para el diagnóstico de glaucoma. El área de la copa ONH segmentada en sección transversal se puede agregar como una nueva característica clínica para diagnosticar el glaucoma y podría mejorar la precisión si se combina con datos 2D. En el futuro, nuestro objetivo es establecer los hallazgos en un ensayo clínico a gran escala que investigue el rendimiento del aprendizaje profundo mediante la combinación de cuatro características con la nueva superficie segmentada de la copa ONH para detectar el glaucoma con precisión, independientemente de los diferentes factores de riesgo y el origen étnico.

Bussel, II, Wollstein, G. & Schuman, JS OCT para el diagnóstico, detección y detección de la progresión del glaucoma. Hno. J. Oftalmol. 98 (Suplemento 2), 15-19. https://doi.org/10.1136/bjophthalmol-2013-304326 (2014).

Artículo de Google Scholar

Al-Aswad, LA Glaucoma Today (Bryn Mawr Communications, 2017).

Google Académico

Greenfield, DS y Weinreb, RN Papel de las imágenes del nervio óptico en la práctica clínica y los ensayos clínicos del glaucoma. Soy. J. Oftalmol. 145, 598–603. https://doi.org/10.1016/j.ajo.2007.12.018 (2008).

Artículo PubMed PubMed Central Google Scholar

Carmona, E. J., Rincón, M., García-Feijoó, J. & Martínez-de-la-Casa, J. M. Identification of the optic nerve head with genetic algorithms. Artif. Intell. Med. 43, 243–259. https://doi.org/10.1016/j.artmed.2008.04.005 (2008).

Artículo PubMed Google Scholar

Fan, Z. y col. Detección de disco óptico en imagen de fondo de ojo basada en aprendizaje estructurado. IEEE J. Biomed. Informe de salud. 22, 224–234. https://doi.org/10.1109/jbhi.2017.2723678 (2018).

Artículo PubMed Google Scholar

Hood, DC y De Moraes, CG Eficacia de un sistema de aprendizaje profundo para detectar neuropatía óptica glaucomatosa basado en fotografías en color del fondo de ojo. Oftalmología 125, 1207-1208. https://doi.org/10.1016/j.ophtha.2018.04.020 (2018).

Artículo PubMed Google Scholar

Mookiah, MR y cols. Detección automatizada del disco óptico en imágenes del fondo de retina mediante segmentación intuicionista de histones difusos. Proc. Inst. Mec. Ing. Parte H J. Ing. Medicina. 227, 37–49. https://doi.org/10.1177/0954411912458740 (2013).

Artículo de Google Scholar

Muramatsu, C. y col. Detección de defectos de la capa de fibras nerviosas de la retina en imágenes del fondo de ojo para el diagnóstico temprano del glaucoma. J. Biomed. Optar. 15, 016021. https://doi.org/10.1117/1.3322388 (2010).

Artículo ADS PubMed Google Scholar

Ting, DSW y cols. Desarrollo y validación de un sistema de aprendizaje profundo para la retinopatía diabética y enfermedades oculares relacionadas utilizando imágenes de retina de poblaciones multiétnicas con diabetes. JAMA 318, 2211–2223. https://doi.org/10.1001/jama.2017.18152 (2017).

Artículo PubMed PubMed Central Google Scholar

Asaoka, R. y col. Uso del aprendizaje profundo y la transferencia del aprendizaje para diagnosticar con precisión el glaucoma de aparición temprana a partir de imágenes de tomografía de coherencia óptica macular. Soy. J. Oftalmol. 198, 136-145. https://doi.org/10.1016/j.ajo.2018.10.007 (2019).

Artículo PubMed Google Scholar

An, G. et al. Diagnóstico de glaucoma con aprendizaje automático basado en tomografía de coherencia óptica e imágenes de fondo de ojo en color. J. Saludc. Ing. 2019, 4061313. https://doi.org/10.1155/2019/4061313 (2019).

Artículo PubMed PubMed Central Google Scholar

Devalla, SK y cols. DRUNET: una red de aprendizaje profundo U-Net residual dilatado para segmentar los tejidos de la cabeza del nervio óptico en imágenes de tomografía de coherencia óptica. Biomédica. Optar. Expreso 9, 3244–3265. https://doi.org/10.1364/boe.9.003244 (2018).

Artículo PubMed PubMed Central Google Scholar

Gómez-Valverde, JJ et al. Clasificación automática del glaucoma mediante imágenes de fondo de ojo en color basadas en redes neuronales convolucionales y aprendizaje por transferencia. Biomédica. Optar. Expreso 10, 892–913. https://doi.org/10.1364/boe.10.000892 (2019).

Artículo PubMed PubMed Central Google Scholar

Asaoka, R. y col. Validación de un modelo de aprendizaje profundo para detectar glaucoma utilizando imágenes de diferentes cámaras de fondo de ojo y aumento de datos. Oftalmol. Glaucoma 2, 224–231. https://doi.org/10.1016/j.ogla.2019.03.008 (2019).

Artículo PubMed Google Scholar

Chan, K. y col. Comparación de aprendizaje automático y clasificadores tradicionales en el diagnóstico de glaucoma. Traducción IEEE. Biomédica. Ing. 49, 963–974. https://doi.org/10.1109/tbme.2002.802012 (2002).

Artículo PubMed Google Scholar

Goldbaum, MH y cols. Comparación de clasificadores de aprendizaje automático para diagnosticar glaucoma a partir de perimetría automatizada estándar. Investigando. Oftalmol. Vis. Ciencia. 43, 162-169 (2002).

Google Académico

Goldbaum, MH y cols. Interpretación de la perimetría automatizada para glaucoma mediante red neuronal. Investigando. Oftalmol. Vis. Ciencia. 35, 3362–3373 (1994).

CAS Google Académico

Li, F. y col. Diferenciación automática del campo visual con glaucoma del campo visual sin glaucoma mediante una red neuronal convolucional profunda. BMC Med. Imágenes 18, 35. https://doi.org/10.1186/s12880-018-0273-5 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Bizios, D., Heijl, A. & Bengtsson, B. Red neuronal artificial entrenada para el diagnóstico de glaucoma utilizando datos del campo visual: una comparación con algoritmos convencionales. J. Glaucoma 16, 20–28. https://doi.org/10.1097/IJG.0b013e31802b34e4 (2007).

Artículo PubMed Google Scholar

Kucur, ŞS., Holló, G. & Sznitman, R. Un enfoque de aprendizaje profundo para la detección automática del glaucoma temprano a partir de los campos visuales. PLoS One 13, e0206081. https://doi.org/10.1371/journal.pone.0206081 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Thompson, AC, Jammal, AA y Medeiros, FA Una revisión del aprendizaje profundo para la detección, el diagnóstico y la detección de la progresión del glaucoma. Traducción Vis. Ciencia. Tecnología. 9, 42. https://doi.org/10.1167/tvst.9.2.42 (2020).

Artículo PubMed PubMed Central Google Scholar

Kim, SJ, Cho, KJ ​​& Oh, S. Desarrollo de modelos de aprendizaje automático para el diagnóstico de glaucoma. Más uno 12, e0177726. https://doi.org/10.1371/journal.pone.0177726 (2017).

Artículo CAS PubMed PubMed Central Google Scholar

Brigatti, L., Hoffman, D. & Caprioli, J. Redes neuronales para identificar glaucoma con medidas estructurales y funcionales. Soy. J. Oftalmol. 121, 511–521. https://doi.org/10.1016/s0002-9394(14)75425-x (1996).

Artículo CAS PubMed Google Scholar

Bowd, C. y col. Clasificadores bayesianos de aprendizaje automático para combinar medidas estructurales y funcionales para clasificar ojos sanos y glaucomatosos. Investigando. Oftalmol. Vis. Ciencia. 49, 945–953. https://doi.org/10.1167/iovs.07-1083 (2008).

Artículo de Google Scholar

Grewal, DS, Jain, R., Grewal, SP y Rihani, V. Diagnóstico de glaucoma basado en redes neuronales artificiales mediante análisis de la capa de fibras nerviosas de la retina. EUR. J. Oftalmol. 18, 915–921. https://doi.org/10.1177/112067210801800610 (2008).

Artículo CAS PubMed Google Scholar

Vajaranant, TS, Nayak, S., Wilensky, JT y Joslin, CE Género y glaucoma: lo que sabemos y lo que necesitamos saber. actual. Opinión. Oftalmol. 21, 91–99. https://doi.org/10.1097/ICU.0b013e3283360b7e (2010).

Artículo PubMed PubMed Central Google Scholar

Leske, MC, Heijl, A., Hyman, L. y Bengtsson, B. Ensayo de glaucoma manifiesto temprano: diseño y datos de referencia. Oftalmología 106, 2144–2153. https://doi.org/10.1016/s0161-6420(99)90497-9 (1999).

Artículo CAS PubMed Google Scholar

Mallick, J., Devi, L., Malik, PK y Mallick, J. Actualización sobre el glaucoma de tensión normal. J. Vis oftálmica. Res. 11, 204–208. https://doi.org/10.4103/2008-322x.183914 (2016).

Artículo PubMed PubMed Central Google Scholar

Mills, RP y cols. Categorizar el estadio del glaucoma desde el prediagnóstico hasta el estadio terminal de la enfermedad. Soy. J. Oftalmol. 141, 24-30. https://doi.org/10.1016/j.ajo.2005.07.044 (2006).

Artículo PubMed Google Scholar

Gordon, MO y cols. El estudio de tratamiento de la hipertensión ocular: factores basales que predicen la aparición del glaucoma primario de ángulo abierto. Arco. Oftalmol. 120, 714–720. https://doi.org/10.1001/archopht.120.6.714 (2002) (discusión 829–730).

Artículo PubMed Google Scholar

Hood, DC Mejorar nuestra comprensión y detección del daño glaucomatoso: un enfoque basado en la tomografía de coherencia óptica (OCT). Prog. Retin. Res. ocular. 57, 46–75. https://doi.org/10.1016/j.preteyeres.2016.12.002 (2017).

Artículo PubMed Google Scholar

Mackenzie, PJ & Cioffi, GA Medición de la estructura y función en pacientes con glaucoma: estudios de estructura-función que comparan la apariencia del disco óptico con las pruebas de campo visual. Medscape (WebMD LLC, 2008).

Shen, L. y col. La asociación del error refractivo con el glaucoma en una población multiétnica. Oftalmología 123, 92-101. https://doi.org/10.1016/j.ophtha.2015.07.002 (2016).

Artículo PubMed Google Scholar

Akter, N. y col. Análisis de imágenes OCT para optimizar el diagnóstico de glaucoma. Imagenología y Óptica Aplicada 2019 (COSI, IS, MATH, pcAOP). ITh2B.2 (Sociedad Óptica de América, 2019).

Gandhi, M. & Dubey, S. Evaluación de la cabeza del nervio óptico en el glaucoma. J. Curr. Práctica de glaucoma. 7, 106-114. https://doi.org/10.5005/jp-journals-10008-1146 (2013).

Artículo PubMed PubMed Central Google Scholar

Ng, A. y col. Red neuronal multicapa, en tutorial UFLDL. (Universidad de Stanford, 2011).

Kingma, DP & Ba, JJC Adam: Un método para la optimización estocástica. arXiv:1412.6980 (2015).

Transferir-modelos-de-aprendizaje-con-código-matlab-de-validación-cruzada (GitHub, Inc., 2021).

Brownlee, J. Rendimiento del aprendizaje profundo (dominio del aprendizaje automático, 2019).

Google Académico

Ioffe, S. & Szegedy, C. Normalización de lotes: acelerar el entrenamiento profundo de la red reduciendo el cambio de covariables interno. En Actas de la 32ª Conferencia Internacional sobre Aprendizaje Automático, vol. 37 448–456 (JMLR.org, 2015).

Budhiraja, A. Abandono en el aprendizaje automático (profundo). (ed. O'Connor, S.) (Medio, 2016).

Leskovec, J., Rajaraman, A. y Ullman, J. Minería de conjuntos de datos masivos (Cambridge University Press, 2019).

Google Académico

He, K., Zhang, X., Ren, S. y Sun, J. Aprendizaje residual profundo para el reconocimiento de imágenes. En la Conferencia IEEE de 2016 sobre visión por computadora y reconocimiento de patrones (CVPR) 770–778.

Zisserman, KSAA Redes convolucionales muy profundas para el reconocimiento de imágenes a gran escala. arXiv:1409.1556v6 (2015).

Deng, J. y col. ImageNet: una base de datos de imágenes jerárquica a gran escala. en 2009 IEEE Visión por computadora y reconocimiento de patrones (CVPR) 248–255.

Chelghoum, R., Ikhlef, A., Hameurlaine, A. & Jacquir, S. En Aplicaciones e innovaciones de inteligencia artificial (eds Maglogiannis, I. et al.) (Springer International Publishing, 2020).

Google Académico

Litjens, G. y col. Una encuesta sobre el aprendizaje profundo en el análisis de imágenes médicas. Medicina. Imagen Anal. 42, 60–88. https://doi.org/10.1016/j.media.2017.07.005 (2017).

Artículo PubMed Google Scholar

Selvaraju, RR et al. Grad-CAM: explicaciones visuales de redes profundas mediante localización basada en gradientes. en la Conferencia Internacional IEEE sobre Visión por Computadora (ICCV) de 2017 618–626.

Ragan, A. Sacando la confusión de la matriz de confusión. (Medio, 2018).

McMonnies, CW Historia del glaucoma y factores de riesgo. J. Optom. 10, 71–78. https://doi.org/10.1016/j.optom.2016.02.003 (2017).

Artículo PubMed Google Scholar

Burgansky-Eliash, Z., et al. Clasificadores de aprendizaje automático por tomografía de coherencia óptica para la detección de glaucoma: un estudio preliminar. Invest Ophthalmol Vis Sci 46(11), 4147–52 (2005).

Artículo de Google Scholar

Almazroa, A. et al. Metodologías de segmentación de disco óptico y copa óptica para la detección de imágenes de glaucoma: una encuesta. J. Oftalmol. 2015, 180972–180972. https://doi.org/10.1155/2015/180972 (2015).

Artículo de Google Scholar

Banerjee, D. y col. Análisis del genoma mitocondrial de pacientes con glaucoma primario de ángulo abierto. PloS uno 8(8), e70760–e70760. https://doi.org/10.1371/journal.pone.0070760 (2013).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Han, JC, Lee, EJ, Kim, SB y Kee, C. Las características de la morfología profunda de la cabeza del nervio óptico en el glaucoma miope de tensión normal. Invierta Ophthalmol Vis Sci 58(5), 2695–2704. https://doi.org/10.1167/iovs.17-21791 (2017).

Artículo de Google Scholar

Glaucoma: prevención y factores de riesgo. 22512 Gateway Center Drive Clarksburg, MD 20871. p. https://www.brightfocus.org/glaucoma/prevention-and-risk-factors.

Tan, O., Schuman, J. & Huang, D. Medición de la capa de células ganglionares de la retina y el espesor de la capa plexiforme interna con tomografía de coherencia óptica. Investigando. Oftalmol. Vis. Ciencia. 45, 2382–2382 (2004).

Artículo de Google Scholar

Wan, K. & Leung, C. Angiografía por tomografía de coherencia óptica en el glaucoma: una minirevisión [versión 1; revisión por pares: 2 aprobados]. F1000Investigación. https://doi.org/10.12688/f1000research.11691.1 (2017).

Descargar referencias

Los autores desean agradecer al Dr. Kouros Nouri-Mahdavi, Director del Laboratorio de Imágenes Avanzadas de Glaucoma, Departamento de Oftalmología de la Facultad de Medicina David Geffen y del Stein Eye Institute, Estados Unidos, y a los médicos del CFEH por su asesoramiento clínico y su ayuda en la recopilación de datos. Los servicios clínicos del CFEH están financiados por Guide Dogs NSW/ACT. Guide Dogs NSW/ACT no tuvo ningún papel en el diseño del estudio, la recopilación y análisis de datos, la decisión de publicación o la preparación del manuscrito.

Escuela de Optometría y Ciencias de la Visión, UNSW Sydney, Sydney, NSW, 2052, Australia

Nahida Akter, Nancy Briggs y Maitreye Roy

Escuela de Ingeniería Eléctrica y Telecomunicaciones, UNSW Sydney, Sydney, NSW, 2052, Australia

Juan Fletcher

Escuela de Ingeniería Eléctrica y de Datos, Universidad Tecnológica de Sydney, Sydney, NSW, 2007, Australia

Stuart Perry

Save Sight Institute, Universidad de Sydney, Sydney, NSW, 2006, Australia

Mateo P. Simunovic

Sydney Eye Hospital, Sídney, Nueva Gales del Sur, 2000, Australia

Mateo P. Simunovic

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

Conceptualización, NA y MR; metodología, NA, MR y NB; software, NA; validación, NA, MS y NB; análisis formal, NA; investigación, NA y RM; recursos, NA, MR; curación de datos, NA; redacción: preparación del borrador original, NA; redacción: revisión y edición, MR, SP, MS, NB y JF; visualización, NA, JF y SP; supervisión, MR, JF y SP; administración de proyectos, MR

Correspondencia a Maitreyee Roy.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Akter, N., Fletcher, J., Perry, S. et al. Diagnóstico de glaucoma mediante análisis de múltiples funciones y una técnica de aprendizaje profundo. Representante científico 12, 8064 (2022). https://doi.org/10.1038/s41598-022-12147-y

Descargar cita

Recibido: 22 de octubre de 2021

Aceptado: 25 de abril de 2022

Publicado: 16 de mayo de 2022

DOI: https://doi.org/10.1038/s41598-022-12147-y

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.