Thickness Speed Progression Index: Machine Learning Approach for Keratoconus Detection

Σκοπός της μελέτης αυτής είναι η ανάπτυξη και η αξιολόγηση ενός δείκτη (μηχανικής μάθησης – ML), ο οποίος διακρίνει τους οφθαλμούς με κερατόκωνο (KC) και τους ύποπτους για κερατόκωνο (KCS) από τους φυσιολογικούς. Ως ύποπτοι θεωρούνται οι φυσιολογικοί (ΤΝF) και αυτοί με οριακή βλάβη στην τοπογραφία (TBF), οφθαλμοί ασθενών με ασύμμετρο κερατόκωνο. 6 παράμετροι από τον χάρτη μεταβολής του πάχους του επιθηλίου από το Galilei χρησιμοποιήθηκαν σε έναν αλγόριθμο ML για να δημιουργηθεί έναs δείκτηs «thickness speed progression index». Το καλύτερο μοντέλο επιλέχθηκε ανάμεσα σε 7 πιθανά ML μοντέλα. Ο παχυμετρικός χάρτης του Galilei μετατράπηκε με αναφορά στο λεπτότερο σημείο και για την ανάλυση χρησιμοποιήθηκαν σημεία τα οποία ήταν σε διάμετρο 6mm από αυτό. Οι παράμετροι ATS (absolute thickness speed) & DTS (difference thickness speed) στις διαμέτρους 1.0- 2.0 & 4.0mm χρησιμοποιήθηκαν για τη διαφοροποίηση των κερατοκωνικών από τους φυσιολογικούς και ύποπτους οφθαλμούς σε τρία διαφορετικά πειράματα. 1. KC vs normal, 2. KC vs KCS vs normal, 3. Normal vs KC vs TBF, TNF. Συμπε- ριέλαβε 349 οφθαλμούς από 349 ασθενείς. Από αυτούς 133 ήταν φυσιολογικοί, 141 με KC (96% Grade 1-2), 75 KCS (34 TNF, 41TBF). To μοντέλο TSPI που αναπτύχθηκε δεν εμφάνισε ψευδώς θετικά ή αρνητικά αποτελέσματα. Στο πείραμα 1 η ακρίβεια στη διάγνωση του κερατοκώνου ήταν 100%, στο 2, 91% και στο 3, 87%. Με βάση αυτά τα αποτελέσματα φαίνεται ότι ο δείκτης είναι πολύ αξιόπιστος στη διάγνωση του ΚC, αλλά έχει μικρότερη ακρίβεια όσον αφορά στη διάγνωση του TNF & TBF οφθαλμών, που είναι και η χαρακτηριστική αδυναμία παρόμοιων δεικτών. Συμπερασματικά, η συγκεκριμένη μεθοδολογία εκτίμησης της ασυμμετρίας της μεταβολής πάχους του κερατοειδούς με τον δείκτη TSPI μπορεί αποτελεσματικά να διαγνώσει τον κερατόκωνο και να βελτιώσει την ικανότητα ανίχνευσης των ύποπτων περιστατικών.