Resumen de Diagnóstico de esclerosis múltiple mediante aprendizaje automático usando datos de tomografía de coherencia óptica

Carlo Cavaliere

• español

  Objetivo: El objetivo de esta tesis doctoral es desarrollar nuevos métodos de diagnóstico de la enfermedad de la esclerosis múltiple (EM), basados en la aplicación de procesos de aprendizaje automático sobre medidas de espesores retinales.

  Base de datos: Se dispone de un registro compuesto por 47 sujetos de control y 56 pacientes de EM con diagnóstico precoz (menos de 9 meses tras los primeros síntomas de la enfermedad).

  Mediante tomografía de coherencia óptica, se obtienen datos de espesores de ambos ojos provenientes de cinco estructuras retinales: RNFL, Retina completa, GCL+, GCL++ y Coroides.

  Métodos: Se realiza un estudio sobre el registro para establecer zonas de un mayor interés diagnóstico mediante el cálculo de AUCs (área bajo la curva) y el análisis del tamaño de efecto, estableciendo distintas modalidades de análisis: imágenes completas, ventanas cuadradas y regiones de Cohen. Esta información se utiliza como entrada de diferentes clasificadores con aprendizaje supervisado: clasificadores KNN y SVM, redes neuronales tradicionales MLP y RBF y redes profundas CNN, ResNet y V-Net.

  Resultados: Se alcanzan exactitudes mayores de 90% al analizar imágenes completas, y cercanas a 100% para la modalidad de ventanas cuadradas y regiones de Cohen. Las estructuras que permiten obtener la mejor exactitud en el diagnóstico son la RNFL, Retina completa y GCL++.

  Conclusiones: La alta capacidad predictiva obtenida usando técnicas de aprendizaje automático sugiere que el uso de espesores retinales como biomarcadores sí resulta de interés para el diagnóstico de la esclerosis múltiple.

• English

  Objective: The main aim of this doctoral thesis is to develop new methods of diagnosis for multiple sclerosis disease (MS), based on the application of machine learning processes on retinal thickness measurements.

  Database: A clinical data registry composed of 47 control subjects and 56 MS patients with early diagnosis (less than 9 months since the disease’s first symptoms) is evaluated with optical coherence tomography. Thickness measurements are obtained from both eyes and for five retinal structures: RNFL, Full retina, GCL+, GCL++ and Choroid.

  Methods: The registry is evaluated to establish zones with high discriminatory capacity, by calculating the AUC (area under the curve) and by analyzing the effect size, hence establishing three different modes of analysis: full images, square windows and Cohen regions. This information is used as the input of classifiers based on supervised learning:

  KNN and SVM classifiers, traditional neural networks (MLP, RBF) and deep networks (CNN, ResNet and V-net).

  Results: The full images modality leads to accuracies higher than 90% for some of the analyzed structures, while both square windows and Cohen regions modalities reach 100% accuracy in several structures. The structures that obtain the best results are the RNFL, Full Retina and GCL++.

  Conclusions: The high predictive capacity obtained by applying machine learning techniques suggests that the use of retinal thicknesses as biomarkers is indeed useful for the diagnosis of multiple sclerosis.