Geração de populações artificiais para treinamento de classificadores de apoio ao diagnóstico de glaucoma

Glaucoma é uma neuropatia óptica cuja progressão gera comprometimento no campo visual e cegueira. Devido aos danos irreversíveis, a identicação precoce e correta é vital para o controle da progressão da doença. Para diagnóstico de glaucoma , oftalmologistas analisam dados de campo visual e da anatomia ocular obtidos através de testes. Para reduzir a quantidade de resultados falso negativos e falso positivos, diversas técnicas tem sido desenvolvidas para incrementar a sensibilidade e especicidade dos testes diagnósticos de glaucoma. Para aplicações médicas, existem estudos que indicam como uma abordagem promissora o uso de classicadores de aprendizagem de máquina baseados em diferentes conceitos como Árvores de Decisão, Redes Neurais Articiais e abordagem Bayesiana. Apesar da disponibilidade de sosticados algoritmos para desenvolvimento de classicadores, o sucesso do treinamento destes classicadores é altamente dependente de dados de qualidade. Dados de qualidade signicam que os exemplos fornecidos para treinamento devem representar a maior quantidade possível de situações encontradas no mundo real. Estes requisitos são normalmente atendidos se dados de uma grande quantidade de pacientes estiver disponível. Entretanto, diversos fatores como o perl da população avaliada, a duração das tarefas de coleta de dados, disponibilidade de equipamentos e de prossionais de saúde, além do comprometimento dos pacientes com o programa de pesquisa, restringem o tamanho do conjunto de dados. Uma possível estratégia para resolver o problema da escassez de dados para a tarefa de treinamento dos classicadores é o emprego de dados articiais que representam populações reais. Estes dados articiais serão adequados ao treinamento dos classicadores se possuírem características estatísticas de populações reais. O uso de populações articiais possibilitará a criação de conjuntos de dados com número adequado de pacientes, sem gastar anos coletando dados. Neste trabalho é apresentado um gerador de dados articiais denominado GLOR, baseado em um método de Monte Carlo, que é adequado ao treinamento de classicadores para o diagnóstico de glaucoma. A população gerada é caracterizada por dados funcionais e estruturais fornecidos pelos instrumentos de perimetria computadorizada padrão ou Standard Automated Perimetry (SAP) e tomograa de coerência óptica de alta denição ou High Denition Optical Coherence Tomography (HD-OCT). Os resultados experimentais, obtidos após o treinamento de uma Rede Neural Articial empregando população gerada pelo GLOR contendo 4500 indivíduos normais e 500 glaucomatosos e avaliação com dados de uma população real formada por 44 indivíduos normais e 26 glaucomatosos, foram: acurácia total de 87,1%, sensibilidade de 80,8%, especicidade de 90,9% e área sob curva ROC de 0,941. Tais resultados indicam que o GLOR pode ser empregado satisfatoriamente no desenvolvimento de novos métodos que possam elevar a sensibilidade e especicidade no diagnóstico de glaucoma. Glaucoma is an optical neuropathy, whose progression results in visual eld impairments and blindness. Due to its irreversible damages, early and correct identication is very important to control glaucoma\'s progression. For glaucoma diagnosis, ophthalmologists analyze patient\'s visual eld and eyes structural data obtained by using eyes\' test equipments. In order to reduce the quantity of false-negative and false-positive results, several new techniques have been developed to increment the sensitivity and specicity of glaucoma diagnostic tests. A promising approach is the use of machine learning classiers. Classiers based on dierent concepts like Decision Trees, Articial Neural Networks, and Bayesian approach, have been developed for medical applications. Despite the availability of sophisticated algorithms for classiers development, successful training of classiers is highly dependent of good training data. Good data means that examples provided for classier training should represent the many dierent situations found in real world. These requirements are usually accomplished if data from a large number of patients is available. However, several factors like prole of evaluated population, duration of the data acquisition activities, existence of healthcare professionals, and equipment availability, and people\'s commitment to the research program, restrict the size of patient\'s dataset. A possible approach to overcome the lack of patient\'s data to perform the classier\'s training task is to use articial data that represent a real population. This articial data would be suitable for classiers training if it has similar statistical properties of a real population. The use of articial population will enable the creation of datasets with required number of patients, and without spending years measuring patients. It will also be possible to simulate scenarios and strategies before a long term research program starts. In this work is presented an articial data generator named GLOR, based on a Monte Carlo method, and suitable for the training of classiers for glaucoma diagnosis. The generated population is characterized by eyes\'functional and structural data provided by Standard Automated Perimetry (SAP) and High Denition Optical Coherence Tomography (HD-OCT) instruments. The experimental results, obtained after an Articial Neural Network training employing a population generated by GLOR comprising of 4500 normal and 500 glaucomatous individuals and evaluated by using real population data from 44 normal and 26 glaucomatous subjects, were: 87.1% for overall accuracy, 80.8% for sensitivity, 90.9% for specicity and 0.941 for the area under ROC curve. These results show that GLOR can be used as a promising approach to accelerate the development of new methods to increment sensitivity and specicity of glaucoma diagnosis.