Diagnóstico, Mecanismos e Manejo da ICFEP Ângulo do nervo óptico na hipertensão intracraniana idiopática
31/01/2022
Triagem Individualizada do Pé Diabético
31/01/2022
Ophthalmology; 2022 Jan 03
- Nesta análise, imagens do conjunto de dados AREDS foram usadas para comparar a classificação de catarata por modelos de aprendizado profundo com a classificação por leitores de oftalmologistas e estudantes de medicina. Para esclerose nuclear e catarata cortical, a classificação do aprendizado profundo foi significativamente superior à classificação por oftalmologistas e estudantes de medicina. Para catarata subcapsular posterior, a classificação foi semelhante entre o aprendizado profundo e os oftalmologistas, mas o aprendizado profundo foi superior à classificação por estudantes de medicina.
- Os modelos de aprendizado profundo são altamente precisos para classificar a catarata e têm um potencial significativo para aplicação em telemedicina, para a qual o acesso à avaliação de especialistas é muito limitado.
PROPÓSITO
Desenvolver e avaliar modelos de aprendizado profundo para realizar diagnóstico automatizado e classificação quantitativa de catarata relacionada à idade, incluindo todos os três tipos anatômicos, a partir de fotografias do segmento anterior.
PROJETO
Aplicação de modelos de aprendizado profundo ao conjunto de dados do Estudo de Doenças Oculares Relacionadas à Idade (AREDS).
PARTICIPANTES
18.999 fotografias (6.333 trigêmeos) de acompanhamento longitudinal de 1.137 olhos (576 participantes do AREDS).
MÉTODOS
Modelos de aprendizado profundo foram treinados para detectar e quantificar catarata nuclear (NS; escala 0,9-7,1) a partir de fotografias com lâmpada de fenda de 45 graus e cortical (CLO; escala 0-100%) e subcapsular posterior (PSC; escala 0-100%) catarata a partir de fotografias de retroiluminação. O desempenho do modelo foi comparado com o de 14 oftalmologistas e 24 estudantes de medicina. Os rótulos da verdade do terreno eram da classificação do centro de leitura.
MEDIDAS DE SAÍDA PRINCIPAIS
Erro quadrático médio (MSE).
RESULTADOS
No conjunto de teste completo, os valores médios de MSE para os modelos de aprendizado profundo foram: 0,23 (SD 0,01) para NS, 13,1 (SD 1,6) para CLO e 16,6 (SD 2,4) para PSC. Em um subconjunto do conjunto de testes (substancialmente enriquecido para casos positivos de CLO e PSC), para NS, o MSE médio para os modelos foi de 0,23 (DP 0,02), comparado a 0,98 (DP 0,23; p = 0,000001) para os oftalmologistas, e 1,24 (DP 0,33; p=0,000005) para os estudantes de medicina. Para CLO, os valores médios de EQM foram 53,5 (DP 14,8), comparados a 134,9 (DP 89,9; p=0,003) e 422,0 (DP 944,4; p=0,0007), respectivamente. Para PSC, os valores médios de EQM foram 171,9 (DP 38,9), comparados a 176,8 (DP 98,0; p=0,67) e 395,2 (DP 632,5; p=0,18), respectivamente. Na validação externa do Singapore Malay Eye Study (amostrado para refletir a distribuição da gravidade da catarata no AREDS), o MSE foi de 1,27 para NS e 25,5 para PSC.
CONCLUSÕES
Uma estrutura de aprendizado profundo foi capaz de realizar a classificação automatizada e quantitativa da gravidade da catarata para todos os três tipos de catarata relacionada à idade. Para os dois tipos mais comuns (NS e CLO), a acurácia foi significativamente superior à dos oftalmologistas; para o tipo menos comum (PSC), a acurácia foi semelhante. A estrutura pode ter amplas aplicações potenciais em domínios clínicos e de pesquisa. No futuro, tais abordagens podem aumentar a acessibilidade da avaliação da catarata globalmente.
Gostou do conteúdo? Acesse o link abaixo e descubra muito mais. Temos materiais sobre diversos assuntos disponíveis para você, além de vários outros benefícios. Confira!
