OBJETIVO: Avaliar a sensibilidade e especificidade dos classificadores de aprendizagem de máquina no diagnóstico de glaucoma usando Spectral Domain OCT (SD-OCT) e perimetria automatizada acromática (PAA). MÉTODOS: Estudo transversal observacional. Sessenta e dois pacientes com glaucoma e 48 indivíduos normais foram incluídos. Todos os pacientes foram submetidos a exame oftalmológico completo, e perimetria automatizada acromática (24-2 SITA; Humphrey Field Analyzer II, Carl Zeiss Meditec, Inc., Dublin, CA) e exame de imagem da camada de fibras nervosas utilizando SD-OCT (Cirrus HD-OCT; Carl Zeiss Meditec Inc., Dublin, California). Curvas ROC (Receiver operator characteristic) foram obtidas para todos os parâmetros do SD-OCT e índices globais do campo visual (MD, PSD, GHT). Subsequentemente, os seguintes classificadores de aprendizagem de máquina (CAMs) foram testados usando parâmetros do OCT e CV: Bagging (BAG), Naive-Bayes (NB), Multilayer Perceptron (MLP), Radial Basis Function (RBF), Random Forest (RAN), Ensemble Selection (ENS), Classification Tree (CTREE), Ada Boost M1(ADA), Support Vector Machine Linear (SVML) e Support Vector Machine Gaussian (SVMG). Áreas abaixo da curva ROC (aROC) obtidas com os parâmetros isolados do campo visual (CV) e OCT foram comparados com os CAMs usando dados associados do OCT e CV. RESULTADOS: Combinando os dados do OCT e do CV, aROCs dos CAMs variaram entre 0,777(CTREE) e 0,946 (RAN). A maior aROC dos CAMs OCT+CV obtida com RAN (0,946) foi significativamente maior que o melhor parâmetro do OCT (p<0,05), mas não houve diferença estatística significativa com o melhor parâmetro do CV (p=0,19). CONCLUSÃO: Os classificadores de aprendizagem de máquina treinados com dados do OCT e CV podem discriminar entre olhos normais e glaucomatosos com sucesso. A combinação das medidas do OCT e CV melhoraram a acurácia diagnóstica comparados aos parâmetros do OCT.
Glaucoma; Técnicas de diagnóstico oftalmológico; Tomografia de coerência óptica; Sensibilidade e especificidade
