اعمال طبقه بندی کننده های مختلف بر روی نتایج دستگاه پریمتری برای تشخیص بیماری گلوکوم

گلوکوم یک بیماری پیش رونده عصب بینایی است که در صورت عدم کنترل با آسیب رساندن به عصب بینایی باعث تخریب میدان دید می شود. تست میدان دید توسط دستگاه پریمتری استاندارد (SAP) رایج ترین روش برای تشخیص بیماری گلوکوم است، اما در بعضی مواقع تفسیر نتایج این تست، کار ساده ای نیست. از آنجا که الگوریتم های مختلف یادگیری ماشینی پتانسیل خوبی را برای طبقه بندی نتایج پریمتری، در تشخیص این بیماری از خود نشان داده اند، در این مطالعه تعدادی از این الگوریتم ها شامل LDAو QDA، SVM و MOG به کار گرفته شده است. داده های مورد استفاده، حاصل از انجام تیت پریمتری بر روی 137 بیمار و معاینات مرتبط، در بیمارستان رسول اکرم تهران می باشد. نتایج این الگوریتم ها با یکدیگر و نیز با شاخص های آماری STATPAC (بسته نرم افزاری موجود برای تفسیر نتایج دستگاه پریمتر)، مقایسه شده اند. برای مقایسه عملکرد طبقه بندی کننده های مختلف از سطوح زیر منحنی های ROC و حساسیت ها (Sensitivity) و قطعیت ها (Specificities) استفاده شده است. نتایج نشان می دهد که طبقه بندی کننده های یادگیری ماشینی، عملکرد بهتری نسبت به بهترین شاخص های STATPAC دارند و در کل هم خوانی مطلوبی بین نتایج این مطالعه با نتایج مطالعات انجام شده در دیگر کشورها دیده می شود که نشان دهنده تعمیم پذیری این الگوریتم ها بر داده های داخل کشور می باشد.

Keywords:

الگوریتم ها یادگیری ماشینی , گلوکوم , ماشین های بردار پشتیبان (SVM) , مخلوط گوسین ها (MOG) , پریمتری