Como a Tecnologia Pode Detectar a Retinopatia Diabética de Forma mais Precisa?

Estudado de Processamento Automático de Informação para Ajudar a Encontrar a Retinopatia Diabética em Maior Escala.

Ultimamente, Redes Neurais por Convolução (CNNs) têm sido usadas para detectar automaticamente exsudatos na retina do olho para ajudar a diagnosticar o diabetes se eles identificarem a retinopatia diabética (RD). Mas o desempenho das CNNs não é exato. Se uma pessoa tem RD e não é pego a tempo, pode levar a deficiência visual e cegueira. Essas condições podem ser reduzidas pela metade se a RD for identificada precocemente. Imagens de fundo são usadas para encontrar exsudatos, mas a detecção manual demora muito tempo. Se esse processo pudesse ser feito de forma automática e precisa, mais pessoas poderiam ser examinadas e também a distância, já que a tecnologia seria usada.

Os modelos da CNN tiveram limitações, como grandes volumes de dados. Mas foi uma técnica de Aprendizagem Profunda (DL) automática que foi comparada neste estudo com performances de outros Classificadores ‘Redes Residuais Pré-treinadas (ResNet-50) e Discriminative Resttted Boltzmann Machines (DRBM)] para ver quão bem eles poderiam detectar diabéticos retinopatia.

A CNN apresentou extração e classificação. Tinha neurônios em suas camadas que correspondiam aos alvos. O ResNet-50 pré-treinado não precisou de uma grande quantidade de dados para treinamento. A camada softmax do ResNet-50 foi substituída neste estudo por três classificadores supervisionados diferentes: Support Vector Machine (SVM), Optimum-Path Forest (OPF) e k-Nearest Neighbors (KNN). As Discriminative Restricted Boltzmann Machines eram modelos de computador não supervisionados que demonstravam gráficos bipartidos. Suas camadas são conectadas umas às outras, o que diminui o erro entre os dados. Uma camada de entrada foi adicionada a esta, que rotula cada amostra de entrada usando uma codificação 1 quente.

Neste estudo, dois bancos de dados foram utilizados: DIARETDB¹ e e-Ophtha. Foram utilizados adesivos de tamanho 25 × 25 com os canais de cor Vermelho, Verde, Azul (RGB), que foram rotulados nos grupos Exsudato e Não Exsudato. Os emplastros não exsudados consistiam em vasos, tecidos de fundo e cabeças do nervo óptico. E uma “validação cruzada de dez vezes com dez corridas técnicas” foi usada para analisar cada método. O desempenho desses diferentes métodos foi analisado com base na precisão geral (ACC), sensibilidade (SN) e especificidade (SP): “Para o banco de dados DIARETDB1, o Resnet-50 + SVM obteve a melhor sensibilidade e precisão de 0,99 e 98,2%, respectivamente. O Resnet-50 + OPF obteve a maior especificidade (0,99) em comparação aos modelos Resnet-50 + SVM, Resnet-50 + KNN e CNN, com as especificidades de 0,96, 0,95 e 0,91, respectivamente.

Também foi mostrado que “O ResNet-50 com Support Vector Machines superou outras redes”. Os melhores resultados vieram do Resnet-50 + SVM (valores significativamente melhores de sensibilidade e especificidade, “0.99 e 0.96 respectivamente”), o que demonstra o melhor uso de ResNet-50 para avaliar as imagens de fundo para detectar exsudatos de DR para uma população maior.¹

Os maus desempenhos dos outros métodos podem ter sido distorcidos devido a aspectos como a preparação de dados e o uso de canais de cores para representação visual. Novos estudos podem investigar essas limitações.¹

Pontos Relevantes:

• Métodos pré-treinados de aprendizagem profunda podem ser capazes de detectar melhor exsudatos automaticamente em DR. Este estudo propôs-se a encontrar técnicas mais precisas para diagnosticar populações maiores, a fim de evitar mais complicações da deficiência visual.
• O Resnet-50 tem a vantagem de não exigir um grande conjunto de dados de treinamento. O Resnet-50 + SVM superou outros métodos com sensibilidade e especificidade significativamente melhores.
• O Resnet-50 + SVM é capaz de detectar automaticamente o exsudato em imagens da retina com estimativas mais rápidas e precisas. Portanto, essa técnica pode contribuir para diagnósticos maiores e mais oportunos de RD e prevenção de suas complicações.

Referências: Aliahmad B, Carvalho T, Khojasteh P, Kumar DK, Papa JP, Passos Júnior LA, Rezende E. “Exudate detection in fundus images using deeply-learnable features.” Computers in Biology and Medicine. 2018. https://www.ncbi.nlm.nih.gov/pubmed/30439600. 14 January 2019.

Fonte: Diabetes in Control , 26 de janeiro de 2019.
Editor: Joy Pape, MSN, FNP-C, CDE, WOCN, CFCN, FAADE.
Autor: Annahita Forghan, Pharm.D. Candidato 2019, LECOM College of Pharmacy.