Comparação sistemática de algoritmos de aprendizado de máquina para a detecção da suscetibilidade à ectasia corneana com base em tomografia de Scheimpflug

Resumo

O ceratocone e as demais formas de ectasia corneana são doenças progressivas cuja identificação precoce permanece um desafio clínico relevante. Índices topográficos e tomográficos consagrados estabeleceram critérios quantitativos para a detecção da ectasia, e estudos recentes têm aplicado aprendizado de máquina sobre essas variáveis para ampliar seu poder discriminativo. Essa linha de pesquisa evoluiu da detecção da doença estabelecida para a identificação de formas subclínicas e frustras, até chegar ao objetivo atual de caracterizar a suscetibilidade à ectasia em casos cada vez mais precoces. Nesse contexto, o olho contralateral topograficamente normal de pacientes com ectasia muito assimétrica (VAE-NT, very asymmetric ectasia with normal topography) é adotado como construto clínico de referência. Os estudos disponíveis, entretanto, costumam se restringir a um número reduzido de variáveis e a uma única família de algoritmos, sem uma busca sistemática por combinações potencialmente superiores, e raramente submetem os modelos resultantes a validação externa. Esta dissertação tem como objetivo desenvolver e validar o modelo de melhor desempenho discriminativo para a detecção da suscetibilidade à ectasia corneana a partir de dados de tomografia por Scheimpflug (Pentacam), por meio da comparação sistemática entre famílias de algoritmos supervisionados: modelos baseados em regressões e funções pré-definidas (ex.: regressão linear e logística), em árvores de decisão, em composição de funções (ex.: redes neurais MLP), em modificações do espaço de representação dos exemplos (ex.: máquinas de vetores de suporte) e em modelos probabilísticos (ex.: redes bayesianas). É utilizada base de dados de centro de referência composta por olhos normais, ceratocone, olhos ectásicos de ectasia muito assimétrica (VAE-E) e VAE-NT, com um olho selecionado por paciente. Essa composição amostral fundamenta o racional do estudo e permite a avaliação em dois cenários: Normal versus ectasia clínica e Normal versus VAE-NT, este último o mais desafiador. Como o modelo se restringe deliberadamente a variáveis tomográficas, poderá ser aplicado nos numerosos serviços que dispõem de tomografia de Scheimpflug sem avaliação biomecânica, o que amplia o alcance da triagem. O trabalho segue o arcabouço de Descoberta de Conhecimento em Bases de Dados (KDD) e compara estratégias de seleção de atributos automáticas (ex.: forward selection, backward elimination e abordagens evolutivas) com a seleção guiada pelo conhecimento do especialista, na qual o médico participa ativamente da definição das variáveis com sentido fisiopatológico, conforme o paradigma da Inteligência Artificial Aplicada (IA²). Todos os algoritmos têm seus hiperparâmetros ajustados, com validação cruzada estratificada e tratamento do desbalanceamento entre classes. O desempenho de cada combinação é avaliado pela área sob a curva ROC (AUC), com comparação estatística pareada pelo teste de DeLong, além de sensibilidade e especificidade em pontos de corte clinicamente relevantes e análise de calibração. Como etapa final, o modelo selecionado será submetido a validação externa multicêntrica, para avaliar se seu desempenho se mantém em uma base de dados independente daquela usada em seu desenvolvimento. A contribuição esperada é uma ferramenta objetiva de apoio à decisão clínica na triagem de candidatos à cirurgia refrativa, reforçando a evolução do diagnóstico da doença ectásica para a avaliação individualizada da suscetibilidade.

Palavras-chave

Membros da Banca