Resumen

Este estudio desarrolla un modelo de clasificación objetivo de aprendizaje automático para clasificar los discos ópticos glaucomatosos y revela los criterios clasificatorios para ayudar en la gestión clínica del glaucoma. En este estudio, tres especialistas en glaucoma etiquetaron 163 ojos glaucomatosos con cuatro tipos de disco óptico y, a continuación, los separaron aleatoriamente en datos de entrenamiento y de prueba. Todas las imágenes de estos ojos se capturaron mediante tomografía de coherencia óptica y flujografía de moteado láser para cuantificar la estructura ocular y los parámetros relacionados con el flujo sanguíneo. Se extrajo un total de 91 parámetros de cada ojo junto con la información general de los pacientes. Se entrenaron clasificadores de aprendizaje automático, como la red neuronal (NN), el modelo de Bayes ingenuo (NB), la máquina de vectores de soporte (SVM) y los árboles de decisión potenciados por gradiente (GBDT), para construir los modelos de clasificación, y se aplicó un método híbrido de selección de características que combina la redundancia mínima con la relevancia máxima y la selección de características basada en algoritmos genéticos para encontrar las características más válidas y relevantes para NN, NB y SVM. Una comparación del rendimiento de los tres modelos de clasificación de aprendizaje automático mostró que el NN tenía el mejor rendimiento de clasificación con una precisión validada del 87,8% utilizando sólo nueve parámetros oculares. Estos parámetros cuantificados seleccionados permitieron a la NN entrenada clasificar discos ópticos glaucomatosos con un rendimiento relativamente alto sin necesidad de imágenes de fondo de ojo en color.

• Materias:Señales orofaciales Clasificación del cáncer Terapia de exposición Resonancias magnéticas Medicina de precisión
• Subjects:Orofacial signals Cancer classification Exposure therapy Magnetic resonance imaging Precision medicine
• Palabras claves:discos ópticos glaucomatosos, NN, parámetros, modelos de clasificación, método híbrido de selección de características, redundancia mínima relevancia máxima, mejor rendimiento de clasificación, gestión clínica del glaucoma, imágenes de fondo de ojo en color, flujografía de moteado láser
• Keywords:glaucomatous optic discs, NN, parameters, classification models, hybrid feature selection method, minimum redundancy maximum relevance, best classification performance, clinical glaucoma management, color fundus images, laser speckle flowgraphy