Classificação da ceratocone: avaliando o aprendizado de máquina

Abstract

O ceratocone é uma doença degenerativa onde afeta diretamente a córnea, normalmente a córnea possui uma forma esférica regular, mais nesse caso ela se torna fina e cônica, assumindo assim uma forma mais cônica e irregular. À medida que a doença progride, o uso de óculos corretivos ou lentes de contatos tradicionais podem se tornar menos eficaz, podendo chegar à necessidade de transplante de córnea ou menos a cegueira. No campo da oftalmologia já temos diversos algoritmos sendo aplicados para auxiliar nos diagnósticos e na evolução da ceratocone, onde o objetivo deste trabalho é comparar qual algoritmo tem o melhor desempenho na classificação do ceratocone, foram aplicadas várias técnicas como de validações cruzadas para cada modulo, padronização do conjunto de dados e pipelines. Conclui-se que o algoritmo SVM obteve o melhor resultado, alcançando uma acurácia de 100% quando aplicado á padronização do conjunto de dados, porém é importante ressaltar que a base de dados utilizada possui um número reduzido de exemplos, onde limita sua aplicação em situações reais de aprendizado de máquina. Um outro aspecto relevante é investigar se esse resultado pode ser atribuído a overfitting, para isso seria necessário obter um conjunto de dados maior e mais diversificado, a fim de avaliar se o desempenho do modelo se mantém ou se degrada nessas condições.

Keratoconus is a degenerative disease that directly affects the cornea, the cornea has a regular spherical shape, but it this case, it becomes thin and cone-shaped, assuming an irregular and conical form. As the disease progresses, the use of corrective glasses or traditional contact lenses may become less effective, potentially leading to the need for corneal transplantation or even blindness. In the field of ophthalmology, several algorithms are already being applied to assist in the diagnosis and progression monitoring of keratoconus. The objective of this study is to compare the performance of different algorithms in classifying keratoconus. Various techniques such as cross-validation, data standardization, and pipelines where applied. It was concluded that the SVM algorithm achieved the best result, with an accuracy of 100% when applied to standardized data. However, it is important to note that the dataset used has a limited number of examples, which restricts its applicability in real-word machine learning scenarios. Another relevant aspect is to investigate whether this result may be attributed to overfitting. To do so, it would be necessary to obtain a large and more diverse dataset to evaluate if the mode`s performance is maintained or degraded under these conditions.